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

本研究探讨了一种可扩展的量子神经网络（SQNN）方法，通过利用多个小型量子设备的量子资源来提高分类精度和训练效率。 对 MNIST 数据集进行的评估表明，相比于相同规模的常规 QNN 模型， SQNN 模型可以实现具有可比较的分类精度，并且超过一定量子资源的 SQNN 模型可以显著提高分类精度。

Aug, 2022

研究在恶意软件检测方面，通过使用量子算法相比于传统的机器学习算法，对于区分恶意和良性的可执行文件的分类任务所带来的好处，且发现最有趣的未来方向。

May, 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

量子机器学习模型与经典机器学习模型相似和不同的对抗鲁棒性进行了系统调查，使用了传递攻击、扰动模式和 Lipschitz 界限的方法。发现正则化有助于增强量子网络的鲁棒性，对 Lipschitz 界限和传递攻击有直接影响。

Apr, 2024

研究了用于手写数字 MNIST 数据集分类问题的混合量子 - 经典神经网络的性能，结果表明虽然模拟时间较长，但是该模型优于传统网络，达到更好的收敛性和高的训练和测试精度。

Aug, 2021

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

量子内核被认为在量子机器学习的早期阶段能够提供有用性，但是高度复杂的经典模型很难在不丧失解释能力的情况下超越其，并且当数据稀缺且倾斜时经典模型遇到困难。在这项工作中，我们提出了一种称为系统量子分数（SQS）的新方法，并提供了初步结果，表明在金融部门的生产级用例中，它比纯粹的经典模型具有潜在优势。SQS 在我们的具体研究中表现出从较少数据点中提取模式的能力增加，以及在像 XGBoost 这样需要大量数据的算法上改善了性能，从而在竞争激烈的市场中提供了优势。

Mar, 2024

本文研究了使用量子和量子启发式机器学习算法对股票回报进行预测的应用，比较了量子神经网络和张量网络等算法与传统的线性回归和神经网络模型的表现，并基于它们的预测构建投资组合和测量了其表现。经实证研究，日本股票市场的张量网络模型在表现上优于传统的基准模型，包括线性回归和神经网络模型。尽管量子神经网络模型整个时间段内的降低风险调整超额回报高于传统的神经网络模型，但量子神经网络和张量网络模型在最新的市场环境下表现更优，这表明了模型捕捉输入特征之间非线性关系的能力。

Apr, 2023

本文旨在比较机器学习算法的有效性在经典和量子计算范式中。通过研究经典支持向量机和基于量子硬件的量子支持向量机在鸢尾花数据集上的分类能力，我们发现在特定场景下，量子支持向量机可以与经典支持向量机相媲美的准确率，尽管目前的执行时间较长。此外，我们强调增加量子计算能力和并行规模可以显著提高量子机器学习算法的性能。这项研究为我们提供了关于机器学习在量子计算时代的现状和未来潜力的宝贵见解。

Oct, 2023