NISQ时代针对量子机器学习的对抗性数据投毒攻击
量子物理
2025-05-02 v3 密码学与安全
计算机视觉与模式识别
摘要
随着人们对量子机器学习（QML）的兴趣日益浓厚，以及通过云提供商获取量子计算机的途径日益增多，解决与QML相关的潜在安全风险已成为当务之急。在当前的量子云环境中，QML领域的一个关键担忧是数据投毒攻击的威胁。对抗性访问训练数据可能会严重损害QML模型的完整性和可用性。经典的数据投毒技术需要大量的知识和训练来生成投毒数据，并且缺乏噪声鲁棒性，这使得它们在含噪中等规模量子（NISQ）时代对QML模型无效。在这项工作中，我们首先提出了一种简单而有效的技术，通过分析编码电路的输出来测量类内编码器状态相似度（ESS）。利用这种方法，我们引入了一种\underline{量}子\underline{无}差别\underline{数}据投毒攻击，即QUID。通过在无噪声和有噪声（例如IBM\_Brisbane的噪声）环境中，跨各种架构和数据集进行的广泛实验，与基线模型相比，QUID实现了高达92%的模型性能下降，与随机标签翻转相比，实现了高达75%的性能下降。我们还针对最先进的经典防御措施测试了QUID，其性能下降仍超过50%，证明了其有效性。这项工作代表了在QML背景下重新评估数据投毒攻击的首次尝试。
引用
@article{arxiv.2411.14412,
title = {Adversarial Data Poisoning Attacks on Quantum Machine Learning in the NISQ Era},
author = {Satwik Kundu and Swaroop Ghosh},
journal= {arXiv preprint arXiv:2411.14412},
year = {2025}
}