量子分类器多任务普适对抗扰动

Jun, 2023

Universal adversarial perturbations for multiple classification tasks with quantum classifiers

Yun-Zhong Qiu

TL;DR本文发现在两个不同的分类任务中，即便是能够实现几乎达到最先进水平分类精度的量子分类器也能被一个精心设计的通用扰动彻底欺骗，为实现异构分类任务生成通用扰动提供了一个简单而有效的方法，从而为未来的量子学习技术提供有价值的指导。

Abstract

quantum adversarial machine learning is an emerging field that studies the vulnerability of quantum learning systems against adversarial perturbations and develops possible defense strategies. Quantum universal adversarial perturbations are small perturbations, which can make different

quantum adversarial machine learning quantum universal adversarial perturbations heterogeneous classification tasks quantum continual learning models universal perturbations

发现论文，激发创造

生成量子分类器的通用对抗扰动

QuGAP 是一个用于生成量子分类器的通用对抗扰动（UAPs）的新框架，它利用生成模型生成加性 UAPs，并理论上证明它们的存在。此外，QuGAP 使用基于保真度约束的新型损失函数，采用量子生成模型生成酉 UAPs，实验证明了量子分类器容易受到此类攻击，并且取得了最先进的误分类率和高保真度。

Feb, 2024

可编程超导量子比特的实验性量子对抗学习

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

通用对抗扰动：一次调查

本文研究深度学习中的普适性对抗扰动，探讨相关的数据驱动和数据无关的生成方法及防御技术，并讨论了普适性对抗扰动在各项深度学习任务中的应用。

May, 2020

使用共享对抗训练来防御通用扰动

本文探讨了对抗性训练的有效性以及在减少通用扰动和提高模型性能之间的平衡问题，并在图像分类和语义分割方面展示了结果。

Dec, 2018

量子对抗学习的核方法

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

量子分类器的对抗鲁棒性保证

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

通用对抗扰动

本文研究了深度神经网络分类器，发现存在普适的微小扰动对所有图像都造成高概率的错误分类，并提出了计算普适扰动的系统算法，证明现有神经网络非常容易受到该扰动攻击，从而出现对人眼几乎无法察觉的误分类。我们为了进一步探究这些扰动，对多个神经网络进行了实证分析并发现它们具有良好的通用性，揭示了分类器高维决策边界之间的重要几何相关性，并指出任何攻击者都可以在输入空间中利用这些单方向的存在来破坏大多数自然图像的分类器带来潜在的安全隐患。

Oct, 2016

对抗性量子机器学习：一种信息论的普遍化分析

这篇论文研究了对抗训练的量子分类器在受限制的白盒攻击下的泛化特性，通过使用攻击感知的或对抗的损失函数进行训练，对量子对手最大化分类器的损失，得到了对抗训练的量子分类器的集成误差的新的信息理论上限，并验证了理论结果在合成环境中的数值实验。

Jan, 2024

通用对抗训练

本文研究的是生成通用对抗扰动和抵御这类扰动的有效方法，提出了一种简单的基于优化的通用攻击方法来降低各种网络的 ImageNet 上的准确性，并提出了一种通用对抗性训练来生成抗干扰的分类器。

Nov, 2018

使用生成模型学习通用对抗扰动

本文介绍了一种生成网络 —— 通用对抗网络，它可以在数据集中添加生成输出并欺骗目标分类器，从而提高通用对抗攻击的效果。

Aug, 2017