量子机器学习的防御性加固
机器学习和量子计算的结合有潜力提供更高的准确性和计算效率,并对抗攻击产生更强的鲁棒性。然而,要建立强大的 QAML 工具仍有挑战。本文回顾了 QAML 的最新进展、字典并提出未来的研究方向,以期在量子计算硬件规模扩大和噪声水平降低的情况下实现 QAML 方法的实用性。
Jun, 2023
通过使用量子机器学习算法,研究结果表明对抗性攻击具有一定的量子保护性,能够提供对机器学习算法的鲁棒性,使其对数据扰动、局部攻击和普遍对抗性攻击具有一定的保护能力。
May, 2024
本文报道了第一个用可编程超导量子位的量子对抗学习实验,结果表明量子学习系统在对抗场景下存在一定的易受攻击性,并证明了对抗训练过程可以显著增强其抵御干扰性攻击的鲁棒性。
Apr, 2022
探讨了量子计算在机器学习中的应用和机器学习任务中存在的与传统计算不同之处,提出了一种用于评估量子学习任务潜在优势的方法,并提出了一种通过量子速度提高学习效率的量子机器学习模型。
Nov, 2020
通过回顾机器学习中的量子计算文献,研究了量子算法的限制、与传统经典算法的比较,以及为什么期望量子资源能够提供学习问题的优势,而在存在噪声和某些计算困难的问题中,量子计算令人期待的路线。
Jul, 2017
基于量子核方法和支持向量机的混合量子分类器容易受到对抗攻击,但基于数据增强的简单防御策略可以使分类器对新攻击具有鲁棒性,这在安全关键学习问题和减轻某些形式的量子噪声的影响中具有应用。
Apr, 2024
本文旨在从量子信息的角度,发起一种系统地对待机器学习的方法,并涵盖了机器学习的三大分支:监督学习,无监督学习和强化学习。通过这种方法,本文提出了一个系统化的方案以解决强化学习中的量子提升问题,并证明了在限定的时间范围内,对广泛的学习问题都可获得学习效率的二次和性能的指数级增强。
Oct, 2016
通过使用混合量子 - 经典方法并介绍了一个名为 Quantum-assisted Helmholtz Machine (QAHM) 的新算法,我们提出了一种解决当前量子计算和量子机器学习的困难关系,特别是在生成模型方面的解决方案。
Aug, 2017