-
题名基于随机量子层的变分量子卷积神经网络鲁棒性研究
被引量：1
- 1
-
-
作者
戚晗
王敬童
abdullah gani
拱长青
-
机构
沈阳航空航天大学计算机学院
马来亚大学计算机学院
-
出处
《信息网络安全》
CSCD
北大核心
2024年第3期363-373,共11页
-
基金
辽宁省教育厅科研基金[LJKZ0208]
沈阳航空航天大学高级人才科研基金[18YB06]。
-
文摘
近年来,量子机器学习被证明与经典机器学习一样会被一个精心设计的微小扰动干扰从而造成识别准确率严重下降。目前增加模型对抗鲁棒性的方法主要有模型优化、数据优化和对抗训练。文章从模型优化角度出发,提出了一种新的方法,旨在通过将随机量子层与变分量子神经网络连接组成新的量子全连接层,与量子卷积层和量子池化层组成变分量子卷积神经网络(Variational Quantum Convolutional Neural Networks,VQCNN),来增强模型的对抗鲁棒性。文章在KDD CUP99数据集上对基于VQCNN的量子分类器进行了验证。实验结果表明,在快速梯度符号法(Fast Gradient Sign Method,FGSM)、零阶优化法(Zeroth-Order Optimization,ZOO)以及基于遗传算法的生成对抗样本的攻击下,文章提出的VQCNN模型准确率下降值分别为11.18%、15.21%和33.64%,与其它4种模型相比准确率下降值最小。证明该模型在对抗性攻击下具有更高的稳定性,其对抗鲁棒性更优秀。同时在面对基于梯度的攻击方法(FGSM和ZOO)时的准确率下降值更小,证明文章提出的VQCNN模型在面对此类攻击时更有效。
-
关键词
随机量子电路
量子机器学习
对抗性攻击
变分量子线路
-
Keywords
random quantum circuits
quantum machine learning
adversarial attacks
variational quantum circuits
-
分类号
TP309
[自动化与计算机技术—计算机系统结构]
-
