变分量子神经网络中的数值梯度反向攻击
机器学习
2025-05-08 v2 人工智能
密码学与安全
摘要
变分量子神经网络（VQNN）的损失景观以局部极小值特征，局部极小值的数量随量子比特数的指数增长。由于此原因，在训练过程中从可训练 VQNN 的模型梯度中恢复信息，比从经典神经网络（NN）中恢复信息更具挑战性。本文提出了一种数值方案，成功重构来自可训练 VQNN 梯度的输入训练数据。该方案基于梯度反向技术，结合梯度估计与有限差分方法以及自适应低通滤波。方案通过卡尔曼滤波器进一步优化，以实现高效收敛。我们的实验表明，该算法即使在批量训练数据下也能进行反向，前提是 VQNN 模型足够过参数化。
引用
@article{arxiv.2504.12806,
title = {A Numerical Gradient Inversion Attack in Variational Quantum Neural-Networks},
author = {Georgios Papadopoulos and Shaltiel Eloul and Yash Satsangi and Jamie Heredge and Niraj Kumar and Chun-Fu Chen and Marco Pistoia},
journal= {arXiv preprint arXiv:2504.12806},
year = {2025}
}
备注
9 pages, 17 figures