特征工程能帮助量子机器学习进行恶意软件检测吗?
通过使用灰度处理方法与由五个分布式量子卷积网络和评分函数组成的模型相结合,我们实现了对数据集的新预处理,以提高基于图像的恶意软件检测的性能,而不增加量子位所需的资源,结果表明测试的准确率和 F1 评分分别提高了约 20%。
Dec, 2023
本文介绍了利用量子机器学习技术应对网络安全挑战的方法,特别是基于 QSVM 模型在恶意软件分类和保护方面的应用,为网络安全学习者设计并开发了十个基于量子机器学习的学习模块,以实现学生中心化、案例研究为基础的学习方法。其中一个子主题被应用于一个包含预实验、实验和后实验活动的网络安全主题,以提供应对实际安全问题的量子机器学习经验。QSVM 模型在 drebin215 数据集上实现了 95% 的恶意软件分类和保护精度。
Jun, 2023
对四个量子机器学习模型在金融欺诈检测中进行了比较研究,证明量子支持向量分类器模型在欺诈和非欺诈类别上取得了最高性能,F1 分数达到了 0.98。其他模型如变分量子分类器、估计量子神经网络(QNN)和采样器 QNN 展示了有前景的结果,推动了量子机器学习在金融应用中的潜力。虽然它们存在一定的限制,但所得到的见解为未来的改进和优化策略铺平了道路。然而,现存的挑战包括需求更高效的量子算法和更大更复杂的数据集。本文提供了克服当前限制的解决方案,并为量子机器学习在欺诈检测领域做出了新的贡献,对其未来发展具有重要意义。
Aug, 2023
比较量子机器学习和经典机器学习模型中的特征重要性和解释性,使用 IBM 的 Qiskit 平台的混合量子算法(Variational Quantum Classifier 和 Quantum Support Vector Classifier)和经典算法(SVM 和 Random Forests)对广为认可的 Iris 数据集进行实验,并使用置换、去一特征重要性方法以及 ALE 和 SHAP 解释器产生的见解进行对比。
May, 2024
本研究提出了一种新颖的方法,量子支持向量机特征选择(QSVMF),将量子支持向量机与多目标遗传算法相结合。QSVMF 通过优化多个同时目标来实现:最大化分类准确性,最小化选定特征和量子电路成本,并减少特征协方差。我们将 QSVMF 应用于一个乳腺癌数据集进行特征选择,将 QSVMF 与传统方法在选定特征上的性能进行对比。实验结果表明,QSVMF 取得了卓越的性能。此外,QSVMF 的帕累托前缘解能够分析准确性与特征集大小的权衡,识别出极度稀疏但准确的特征子集。我们从已知的乳腺癌生物标志物的角度解释了所选特征的生物学相关性。本研究强调了量子特征选择在提高机器学习效率和性能方面的潜力,尤其是在处理复杂的真实世界数据时。
Nov, 2023
通过创建新的测试方法,我们评估了针对一组已知的 Benign & Malicious 文件执行敌对修改并评估性能变化的变化以及逃避技术,从而依靠实验证明了仅基于 ML 的系统可以比 AV 产品更有效地检测到试图通过修改来逃避的恶意软件,但在面临显着的新型攻击时可能反应较慢。
Jun, 2018
本研究通过使用深度学习算法(如 CNN 和 RNN)对包含 API 调用序列的数据集进行恶意软件分类和识别,与传统的机器学习方法(如 SVM、RF、KNN、XGB 和 GBC)进行性能对比,发现深度学习和机器学习算法在某些情况下均能达到高达 99% 的准确率。
Nov, 2023
本研究使用恶意软件数据集 ClaMP,对传统的神经网络(NN)和量子神经网络(QNN)进行对抗攻击试验。结果发现,机器学习(ML)和量子机器学习(QML)模型均易受对抗攻击影响,尽管 QNN 在攻击后的精度和召回率方面表现更好,但准确率下降得更为显着。此研究为后续增强 ML 和 QML 模型(尤其是 QNN)的安全性和韧性打下了基础。
May, 2023
利用量子计算和量子机器学习算法在数据处理方面取得了指数级的提速、资源需求的减少以及准确度和效率的提高,本文对量子计算、机器学习和量子机器学习算法进行了探讨,并提供了一个简化的步骤,可以帮助读者建立量子机器学习算法的模拟。此外,通过在数据集上利用机器学习和量子机器学习方法进行模拟,利用量子模拟器对它们的性能进行了比较。
Nov, 2023