为量子分类器生成通用对抗扰动
机器学习
2024-11-25 v1 人工智能
摘要
量子机器学习(QML)已成为一个前景广阔的研究领域，旨在利用量子计算的能力来增强现有的机器学习方法。近期研究表明，与经典模型类似，基于参数化量子电路(PQC)的QML模型也易受对抗攻击。此外，在量子分类器的背景下，量子域中通用对抗扰动(UAP)的存在性已在理论上得到证明。在这项工作中，我们引入了QuGAP：一个为量子分类器生成UAP的新颖框架。我们为基于PQC的分类器概念化了加性UAP的概念，并从理论上证明了它们的存在。然后，我们利用生成模型(QuGAP-A)来构造加性UAP，并通过实验表明量子分类器易受此类攻击。此外，我们提出了一种利用量子生成模型和基于保真度约束的新型损失函数来生成酉UAP(QuGAP-U)的新方法。我们评估了所提出框架的性能，并表明我们的方法在保持合法样本与对抗样本之间高保真度的同时，实现了最先进的误分类率。
引用
@article{arxiv.2402.08648,
title = {Generating Universal Adversarial Perturbations for Quantum Classifiers},
author = {Gautham Anil and Vishnu Vinod and Apurva Narayan},
journal= {arXiv preprint arXiv:2402.08648},
year = {2024}
}
备注
Accepted at AAAI 2024