AdvQuNN：一种分析量子卷积神经网络对抗鲁棒性的方法
量子物理
2024-07-01 v2
摘要
量子计算的最新进展催生了混合量子神经网络（HQNNs）的发展，该类网络采用了量子层与经典层的混合集合，例如量子卷积神经网络（QuNNs）。虽然多项研究已揭示了经典神经网络面临的安全威胁（如对抗攻击），但其对 QuNNs 的影响尚未得到充分探索。本研究通过设计 AdvQuNN 来解决这一问题，这是一种专门用于调查 HQNNs（如 QuNNs）对抗对抗攻击鲁棒性的方法。该方法采用不同类型的 Ansatz 作为参数化量子电路，并结合不同类型的对抗攻击。本研究旨在严格评估量子电路架构对 QuNN 模型恢复力的影响，从而为增强 QuNN 的鲁棒性和推动量子网络安全领域开辟新途径。我们的结果表明，与经典卷积网络相比，QuNNs 在 MNIST 数据集上的鲁棒性提高了高达 60%，在 FMNIST 数据集上提高了 40%。
引用
@article{arxiv.2403.05596,
title = {AdvQuNN: A Methodology for Analyzing the Adversarial Robustness of Quanvolutional Neural Networks},
author = {Walid El Maouaki and Alberto Marchisio and Taoufik Said and Mohamed Bennai and Muhammad Shafique},
journal= {arXiv preprint arXiv:2403.05596},
year = {2024}
}
备注
7 pages, 6 figures