Jun, 2023

机器学习中量子增强的对抗鲁棒性

PDF
TL;DR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。
machine learningadversarial examplesquantum computingquantum adversarial machine learningrobustness
发现论文，激发创造
  • 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

  • 量子机器学习的防御性加固

    探讨量子信息可以用于使量子分类器更安全或私密的若干方法，包括鲁棒主成分分析、量子 bagging 和 boosting 以及私有的 k-means 聚类。展示了量子技术在机器学习安全领域的作用，除了速度提升外，还可以为机器学习提供有用的优势。

    Nov, 2017

  • 量子与经典机器学习模型的对抗鲁棒性比较分析

    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

  • 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

  • 利用恶意软件数据集探究机器学习和量子机器学习对对抗攻击的弱点：一项比较分析

    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

  • 近期量子计算机中量子辅助机器学习的机遇和挑战

    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

  • 通过对抗鲁棒的量子机器学习进行无线电信号分类

    通过广泛的模拟实验，我们的结果填补了在无线电信号分类中的 QAML 领域的知识空白，并揭示了在实际应用中应用 QML 方法的优点。

    Dec, 2023

  • 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

  • 量子机器学习简介

    本文系统概述了新兴领域 - 量子机器学习的方法、技术细节以及未来理论的潜力。该领域研究人员研究了量子计算如何帮助改进传统的机器学习算法，具有重要的计算优势。

    Sep, 2014

  • 量子机器学习

    本文讨论了量子计算机在机器学习中的应用，介绍了量子机器学习领域的研究方向、挑战和最新进展。

    Nov, 2016