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
通过使用基于量子核方法的量子算法,我们描述了如何识别获得量子优势的条件,以及将量子核作为特征提取层应用于卷积神经网络。
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
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。
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
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
本研究中,我们提出了两种量子算法用于机器学习问题的处理,即量子变分分类器和量子核估计器,并在超导处理器上实现了这两种算法,为探索噪声中等规模量子计算机在机器学习中的应用提供了新的工具。
Apr, 2018
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
量子计算在机器学习任务中的潜力使得核计算和模型精度得到显著提高。通过使用一类支持向量机和量子核,相对于经典对照方法,先前研究观察到了显着的平均精度改进。然而,传统计算这些核的方法对于数据大小具有二次时间复杂度,这在实际应用中带来了挑战。为了缓解这个问题,我们探索了两种不同的方法:利用随机测量来评估量子核以及实施可变子采样集合方法,这两种方法都针对线性时间复杂度。实验结果表明,采用这些方法的训练和推断时间大大减少,分别达到了 95% 和 25%,同时随机测量的平均精度明显优于经典径向基函数核,为进一步研究可扩展、高效的量子计算在机器学习中的应用方向提供了有希望的线索。