論文の概要: Where Does a Variational Quantum Classifier Lose Accuracy? Angle Encoding, Readout and the Fidelity-Kernel Reference in Cyberattack Detection
- arxiv url: http://arxiv.org/abs/2611.00885v1
- Date: Sat, 31 Oct 2026 12:43:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-13 09:16:34.488287
- Title: Where Does a Variational Quantum Classifier Lose Accuracy? Angle Encoding, Readout and the Fidelity-Kernel Reference in Cyberattack Detection
- Title（参考訳）: 変分分類器は精度を損なうのか? サイバー攻撃検出におけるアングルエンコーディング, 読み出し, フィデリティカーネル参照
- Abstract要約: 我々は最近の振幅符号化量子分類器の上に構築する。
各回路を古典的なヤードスティックに対して測定する。
古典的モデルは、最良の回路と同じくらい正確である、と報告する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: When a variational quantum classifier performs poorly at detecting network attacks, it is hard to tell which part is to blame: the encoding, the trained circuit or the readout, which turns measurements into a class. In this work, we build upon a recent amplitude-encoded classifier, and we try to separate their contributions to the NSL-KDD benchmark in noiseless simulation. We compare angle and amplitude encoding, vary one component at a time, and measure each circuit against a classical yardstick: a support-vector machine on the encoded states, whose accuracy estimates what a well-trained circuit can reach. Most of the shortfall lies in the readout. Reading one qubit, or the parity of all qubits, leaves several percentage points unused, while a readout trained together with the circuit recovers most of them from the same measurements. This also explains why some classifiers stop improving as further layers are added. The encodings suit different needs. Angle encoding gives the more accurate detector on traffic like the training data and, from eight features up, shallower circuits; amplitude encoding needs far fewer qubits and catches more attacks of types never seen in training. Finally, we report that classical models, given the same inputs, are about as accurate as the best circuits, thus, registering no quantum advantage.
- Abstract（参考訳）: 変分量子分類器がネットワーク攻撃を検出するのに不十分な場合、どの部分が原因であるかを判断するのは困難である。
本研究では,近年の振幅符号化型分類器を構築し,ノイズレスシミュレーションにおけるNSL-KDDベンチマークへのコントリビューションを分離する。
我々は、角度と振幅の符号化を比較し、各回路を古典的なヤードスティック(符号化された状態の支持ベクトルマシン)と比較し、その精度は、よく訓練された回路が到達できることを推定する。
欠点の大部分は、読み出しにある。
1量子ビット(または全ての量子ビットのパリティ)を読み取ると、数パーセントのポイントが未使用のまま残され、一方、回路と共にトレーニングされた読み出しは同じ測定値からほとんどを回復する。
また、いくつかの分類器が追加されるにつれて改善をやめる理由も説明されている。
エンコーディングは異なるニーズに適合する。
アングルエンコーディングは、トレーニングデータのようなトラフィックをより正確に検知し、8つの特徴から浅い回路を上り、振幅エンコーディングはより少ない量子ビットを必要とし、トレーニングで見たことのないタイプの攻撃を捕える。
最後に、同じ入力を与えられた古典的モデルは、最高の回路と同じくらい正確であり、量子的優位性は持たないと報告する。
関連論文リスト
- GS-Codec: A Gaussian-Splatting Bottleneck for Neural Audio Coding [7.525883733645578]
本稿では、量子化器ではなくパラメトリック信号分解をボトルネックとするニューラルネットワークであるGS-Codecを紹介する。
内部最適化ループは、各エンコーダセグメントを1次元ガウス原始体の重み付け和として適合する。
そしてデコーダは、描画された和から波形を再構成する。
論文 参考訳（メタデータ） (2026-10-03T16:49:17Z) - AI-Enabled Decoding of Qubit Loss for Quantum Error-Correcting Codes [16.0178741156376]
量子ビット損失は、量子計算における主要なエラー源である。
グラフニューラルネットワークアーキテクチャに基づく人工知能型デコーダを開発した。
論文 参考訳（メタデータ） (2026-04-15T17:59:35Z) - Neural Decoders for Universal Quantum Algorithms [0.43553942673960666]
モジュール型アテンションベースニューラルデコーダを導入し,ゲートによる相関関係を学習する。
我々のデコーダは、最もエラーに近いデコーダに匹敵する高速な推論と論理的エラー率を達成する。
これらの結果は、量子コンピューティングの実用的で汎用的で高性能なツールとして、ニューラルデコーダを確立している。
論文 参考訳（メタデータ） (2025-09-14T17:51:46Z) - Data Encoding for VQC in Qiskit, A Comparison With Novel Hybrid Encoding [0.0]
振幅符号化は必要な量子ビットを減らすため、アングル符号化は状態の自由を良くし、表現的符号化や位相に基づく区別に使用される。
本稿では,Amplitudeエンコーディングが要求されるqubitを削減し,Angleエンコーディングが状態自由度を向上し,表現的エンコーディングや位相に基づく区別に使用されることにより,効率的なqubit使用が保証されることを示す。
論文 参考訳（メタデータ） (2025-03-18T09:36:09Z) - Fault-Tolerant Quantum Memory using Low-Depth Random Circuit Codes [0.24578723416255752]
低深さランダム回路符号は、量子誤り訂正に望ましい多くの特性を有する。
1次元ランダム回路符号の符号化状態を作成するための耐故障性蒸留プロトコルを設計する。
数値シミュレーションにより,提案プロトコルはエラー率を最大2%の誤差率で補正できることを示す。
論文 参考訳（メタデータ） (2023-11-29T19:00:00Z) - The END: An Equivariant Neural Decoder for Quantum Error Correction [73.4384623973809]
データ効率のよいニューラルデコーダを導入し、この問題の対称性を活用する。
本稿では,従来のニューラルデコーダに比べて精度の高い新しい同変アーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-04-14T19:46:39Z) - High Fidelity Neural Audio Compression [92.4812002532009]
我々は、ニューラルネットワークを利用した最先端のリアルタイム、高忠実、オーディオを導入する。
ストリーミングエンコーダ-デコーダアーキテクチャと、エンドツーエンドでトレーニングされた量子化潜在空間で構成されている。
単一マルチスケール・スペクトログラム・アドバイザリーを用いて、トレーニングを簡素化し、高速化する。
論文 参考訳（メタデータ） (2022-10-24T17:52:02Z) - Mixed-Precision Neural Network Quantization via Learned Layer-wise
Importance [50.00102219630088]
混合精度量子化(MPQ)は各層に対して最適なビット幅を決定するのを難しくする。
本稿では,すべての指標を同時に取得できる共同学習手法を提案する。
例えば、ResNet18上のインデックスによるMPQ検索は、わずか0.06秒しかかからない。
論文 参考訳（メタデータ） (2022-03-16T03:23:50Z) - Improved decoding of circuit noise and fragile boundaries of tailored
surface codes [61.411482146110984]
高速かつ高精度なデコーダを導入し、幅広い種類の量子誤り訂正符号で使用することができる。
我々のデコーダは、信仰マッチングと信念フィンドと呼ばれ、すべてのノイズ情報を活用し、QECの高精度なデモを解き放つ。
このデコーダは, 標準の正方形曲面符号に対して, 整形曲面符号において, より高いしきい値と低い量子ビットオーバーヘッドをもたらすことがわかった。
論文 参考訳（メタデータ） (2022-03-09T18:48:54Z) - Performance of teleportation-based error correction circuits for bosonic
codes with noisy measurements [58.720142291102135]
テレポーテーションに基づく誤り訂正回路を用いて、回転対称符号の誤り訂正能力を解析する。
マイクロ波光学における現在達成可能な測定効率により, ボソニック回転符号の破壊ポテンシャルは著しく低下することが判明した。
論文 参考訳（メタデータ） (2021-08-02T16:12:13Z) - Simple and Effective VAE Training with Calibrated Decoders [123.08908889310258]
変分オートエンコーダ(VAE)は、複雑な分布をモデル化するための効果的で簡単な方法である。
復号分布の不確かさを学習する校正復号器の影響について検討する。
本稿では,一般的なガウス復号器の簡易かつ斬新な修正を提案し,その予測分散を解析的に計算する。
論文 参考訳（メタデータ） (2020-06-23T17:57:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。