基于测量聚类的量子神经网络后门检测框架 QSentry
量子物理
2025-11-20 v1
摘要
量子神经网络（QNNs）是实现量子机器学习（QML）的重要模型，然而它们在像经典网络一样高度易受到后门攻击。为解决此问题，提出一种称为 QSentry 的量子后门攻击检测框架，其中引入量子测量聚类方法通过识别测量输出中的统计异常来检测后门。实验表明，QSentry 能够有效检测由后门样本引起的异常分布。在 1% 中毒率下实现 75.8% 的 F1 分数，随着中毒率提高至 5% 和 10% 时分别提升至 85.7% 和 93.2%。轮廓系数和相对聚类大小的集成使 QSentry 能够精确隔离后门样本，估计值与实际中毒比例高度吻合。在 various quantum attack scenarios 下，QSentry 在与三种最新检测方法相比较时展现出优异的鲁棒性和准确性。该工作建立了一个实用且有效的框架，用于缓解 QML 中的后门威胁。
引用
@article{arxiv.2511.15376,
title = {QSentry: Backdoor Detection for Quantum Neural Networks via Measurement Clustering},
author = {Shuolei Wang and Zimeng Xiao and Jinjing Shi and Heyuan Shi and Shichao Zhang and Xuelong Li},
journal= {arXiv preprint arXiv:2511.15376},
year = {2025}
}