基于对抗鲁棒性量子机器学习的无线电信号分类
量子物理
2023-12-14 v1 机器学习
摘要
无线电信号分类在识别接收到的无线电信号所使用的调制方案中起着关键作用，这对于解调和正确解读传输信息至关重要。研究人员强调了用于无线电信号分类的机器学习算法极易受到对抗性攻击。这种脆弱性可能导致严重后果，包括关键信息误读、机密信息截获或通信信道中断。量子计算的最新进展彻底改变了计算的理论与实现，带来了量子机器学习（QML）的空前发展。研究表明，量子变分分类器（QVC）在图像分类中对经典对抗性攻击提供了显著增强的鲁棒性。然而，尚无研究探索 QML 是否能在无线电信号分类的背景下同样缓解对抗性威胁。本工作将 QVC 应用于无线电信号分类，并研究其对各种对抗性攻击的鲁棒性。我们还提出了近似振幅编码（AAE）技术的新应用，以高效编码无线电信号数据。我们广泛的仿真结果表明，在 QVC 上生成的攻击能很好地迁移到 CNN 模型，表明这些对抗样本可以欺骗并非其明确设计攻击目标的神经网络。然而，反之则不成立。QVC 主要能抵抗在 CNN 上生成的攻击。总体而言，通过全面的仿真，我们的结果通过弥合无线电信号分类中量子对抗机器学习（QAML）的知识鸿沟，并揭示在实际应用中应用 QML 方法的优势，为日益发展的 QML 领域提供了新的见解。
引用
@article{arxiv.2312.07821,
title = {Radio Signal Classification by Adversarially Robust Quantum Machine Learning},
author = {Yanqiu Wu and Eromanga Adermann and Chandra Thapa and Seyit Camtepe and Hajime Suzuki and Muhammad Usman},
journal= {arXiv preprint arXiv:2312.07821},
year = {2023}
}
备注
12 pages, 6 figures