QuMoS：一种保护量子机器学习模型安全性的框架
量子物理
2023-10-17 v2 密码学与安全
机器学习
摘要
安全性一直是机器学习（ML）应用中的一个关键问题。由于模型训练成本高昂——例如收集相关样本、标注数据以及消耗计算资源——模型窃取攻击是最基本但至关重要的问题之一。在量子计算领域，此类量子机器学习（QML）模型窃取攻击同样存在，甚至更为严重，因为同态加密等传统加密方法难以直接应用于量子计算。另一方面，由于量子计算资源有限，近期训练QML模型的货币成本甚至可能高于经典模型。因此，第三方公司开发的经过良好调优的QML模型可作为服务委托给量子云提供商，供普通用户使用。在这种情况下，若云提供商遭受攻击，QML模型很可能泄露。为解决该问题，我们提出了一种新颖的框架QuMoS以保护模型安全性。我们提议将完整的QML模型划分为多个部分，并分发至多个物理隔离的量子云提供商执行。如此，即便单个提供商中的对手可获得部分模型，也无法掌握足够信息以还原完整模型。尽管前景良好，我们观察到分布式设置下的任意模型设计无法提供模型安全性。我们进一步开发了基于强化学习的安全引擎，可自动优化分布式设置下的模型设计，从而在模型性能与安全性之间实现良好权衡。在四个数据集上的实验结果表明，QuMoS提出的模型设计在提供比基线最高安全性的同时，可实现具有竞争力的性能。
引用
@article{arxiv.2304.11511,
title = {QuMoS: A Framework for Preserving Security of Quantum Machine Learning Model},
author = {Zhepeng Wang and Jinyang Li and Zhirui Hu and Blake Gage and Elizabeth Iwasawa and Weiwen Jiang},
journal= {arXiv preprint arXiv:2304.11511},
year = {2023}
}