离散随机平滑与量子计算的结合
机器学习
2024-08-05 v1 量子物理
摘要
机器学习（ML）的突破和量子计算（QC）的进展推动了量子机器学习的跨学科领域达到新水平。然而，由于ML模型对对抗攻击的易感性，实际应用引发了安全关键性的担忧。现有的用于经典ML模型的随机平滑（RS）认证方法计算密集。在本文中，我们提出了将QC与离散随机平滑的概念相结合，以加速离散数据ML模型的随机认证。我们展示了如何将所有输入二值数据的扰动编码到叠加态中，并使用量子振幅估计（QAE）来获取相对于传统随机平滑技术所需模型调用次数的二次减少。此外，我们提出了一种新的二值威胁模型，以允许对我们的方法在图像、图和文本上进行广泛评估。
引用
@article{arxiv.2408.00895,
title = {Discrete Randomized Smoothing Meets Quantum Computing},
author = {Tom Wollschläger and Aman Saxena and Nicola Franco and Jeanette Miriam Lorenz and Stephan Günnemann},
journal= {arXiv preprint arXiv:2408.00895},
year = {2024}
}