Q-SafeML：基于量子距离度量的量子机器学习安全性评估
机器学习
2025-09-08 v1 量子代数
统计理论
统计理论
摘要
机器学习在安全关键系统中的兴起与量子计算的进步并行发展，催生了量子机器学习（QML）这一新兴领域。尽管经典机器学习中的安全监控已取得进展，但由于量子计算存在根本性差异，现有方法无法直接应用于 QML。鉴于 QML 的新颖性，专用的安全机制仍不完善。本文提出 Q-SafeML，一种面向 QML 的安全监控方法。该方法建立在 SafeML 的基础上，SafeML 是一种近期方法，利用统计距离度量来评估模型准确性，并为算法的推理提供置信度。Q-SafeML 的改进版本引入了以量子为中心的距离度量，以契合 QML 输出的概率特性。这种向模型相关且分类后评估的转变，是与数据集驱动且分类器无关的经典 SafeML 的关键区别。这一区别源于量子系统独特的表示约束，要求在量子态空间上定义距离度量。Q-SafeML 通过检测运行数据与训练数据之间的距离，处理 QML 背景下的概念漂移。在 QCNN 和 VQC 模型上的实验表明，该方法能够支持知情的人工监督，从而增强系统的透明度与安全性。
引用
@article{arxiv.2509.04536,
title = {Q-SafeML: Safety Assessment of Quantum Machine Learning via Quantum Distance Metrics},
author = {Oliver Dunn and Koorosh Aslansefat and Yiannis Papadopoulos},
journal= {arXiv preprint arXiv:2509.04536},
year = {2025}
}