针对组织病理学癌症检测的混合并行-量子深度学习模型的对抗攻击
量子物理
2023-09-13 v1 机器学习
摘要
我们展示了量子机器学习在组织病理学癌症检测中的有效应用。本研究强调混合并行-量子深度学习模型的两个主要应用。第一个应用是利用量子迁移学习策略构建组织病理学癌症检测的分类模型。第二个应用是测试该模型在各种对抗攻击下的性能。混合经典-量子模型并非使用单一迁移学习模型，而是使用多个迁移学习模型（特别是 ResNet18、VGG-16、Inception-v3 与 AlexNet 作为特征提取器）进行测试，并将其与若干具有高表达力的基于量子线路的变分量子线路（VQC）集成。据此，我们针对多种对抗攻击下的组织病理学癌症检测，给出了经典模型与混合并行-量子迁移学习模型的比较分析。我们使用 pennylane 默认量子模拟器比较了经典模型与混合并行-量子模型的性能精度。我们还观察到，在多种对抗攻击下的组织病理学癌症检测中，混合经典-量子（HCQ）模型比经典图像分类模型提供了更高的精度。
引用
@article{arxiv.2309.06377,
title = {Adversarial attacks on hybrid classical-quantum Deep Learning models for Histopathological Cancer Detection},
author = {Biswaraj Baral and Reek Majumdar and Bhavika Bhalgamiya and Taposh Dutta Roy},
journal= {arXiv preprint arXiv:2309.06377},
year = {2023}
}
备注
7 pages, 8 figures, 2 Tables