基于分离联合教学的量子神经网络提取攻击
量子物理
2025-01-10 v2
摘要
量子神经网络 (QNN) 如今以 QNN-as-a-Service (QNNaaS) 的形式出现, 成为模型提取攻击的重要目标. 现有方法使用集成学习来训练替代 QNN, 但我们的分析显示在实际环境中, 由于噪声和成本限制, 其有效性受到限制. 本文引入了一种新型攻击方法, \textit{split co-teaching}, 该方法利用标签变体将查询数据按噪声敏感性进行\textit{分割}, 并采用\textit{联合教学}方案以提高提取精度. 实验结果表明, 该方法在各种任务中的性能优于经典提取攻击提升了 6.5\%9.5\%, 且相较于现有 QNN 提取方法提升 0.1\%3.7\%.
引用
@article{arxiv.2409.02207,
title = {Quantum Neural Network Extraction Attack via Split Co-Teaching},
author = {Zhenxiao Fu and Fan Chen},
journal= {arXiv preprint arXiv:2409.02207},
year = {2025}
}