特征工程能否助力量子机器学习用于恶意软件检测？
机器学习
2023-08-10 v2 人工智能
密码学与安全
量子物理
摘要
随着恶意软件攻击数量的增加与复杂化，基于机器学习（ML）的恶意软件检测系统愈发重要。同时，许多用于恶意软件分类的流行ML模型为有监督方案，这些有监督分类器常不能很好泛化至新型恶意软件，因此需频繁重训练以检测新样本，耗时较长。我们的工作于理论量子机器学习混合框架中结合特征选择策略以解决该问题，从而缩减数据规模与恶意软件分类器训练时间。初步结果显示，采用XGBoost所选特征的VQC在模拟器上可达78.91%测试准确率；使用XGBoost所选特征训练的模型在IBM 5量子比特机器上的平均准确率为74%（±11.35%）。
引用
@article{arxiv.2305.02396,
title = {Can Feature Engineering Help Quantum Machine Learning for Malware Detection?},
author = {Ran Liu and Maksim Eren and Charles Nicholas},
journal= {arXiv preprint arXiv:2305.02396},
year = {2023}
}
备注
Malware Technical Exchange Meeting 2022 (MTEM'22)