Quantum Machine Learning for Cybersecurity Applications: Simulation and Hardware Validation
该论文聚焦一个此前研究覆盖不足的问题：在特征维度受限、计算预算紧张的条件下，经典威胁检测流水线在面对接近决策边界的样本时性能往往会明显退化。作者指出，虽然小型量子处理器已经可用，但现有工作很少系统性地验证量子组件能否在上述资源受限场景下真正
#quantum-machine-learning
共收录 9 条相关情报。
← 返回所有主题Encryptability As a Coordinate Choice: Depth-One Homomorphic Federated Learning of Quantum Neural Networks
该论文研究的是「同态加密下的联邦学习训练」这一隐私保护机器学习场景。加密训练有一个长期存在的硬性约束：服务端聚合与更新的多项式次数必须保持很低（低度数/low-degree），因为同态方案中每次乘法都会消耗乘法层级并引入噪声。这一约束传统上
Certifying Adversarial Robustness of Quantum Classifiers under Known-Readout Query Access
该论文研究量子分类器在已知读出查询访问（KRQA）模型下的认证对抗鲁棒性。量子分类器通过演化输入量子态并测量输出来分配标签，重复执行仅能揭示标签分布。在KRQA中，评估者可制备输入、知晓量子测量、观测有限次测量结果，但无法检查内部演化、参数
QUASAR: A Quantum-Classical Neural Network for SAR Satellite Physical-Layer Authentication
本文提出 QUASAR，据作者所知这是首个面向 X 波段合成孔径雷达（SAR）卫星物理层认证（PLA）的量子-经典混合架构。X 波段 SAR 卫星（8-12 GHz）在灾害响应、环境监测和军事侦察中至关重要，但缺乏与密码学机制正交的物理层认
Benchmarking Quantum Machine Learning for Power-System Attack Detection: Evaluation Choices Decide the Outcome Before the Models Do
本论文针对电力系统网络攻击检测中的机器学习模型鲁棒性问题，系统评估了量子机器学习（QML）方案与传统经典模型在对抗环境下的表现，并提出一个关键方法论论点：评估者自身的选择会先于模型决定基准测试的结论。研究在公开的密西西比州立大学/ORNL
QNBAD: Quantum Noise-induced Backdoor Attacks against Zero Noise Extrapolation.
该论文提出了一种针对量子机器学习的新型攻击方法，名为 QNBAD（Quantum Noise-induced Backdoor Attack），专门攻击采用零噪声外推（ZNE）作为误差缓解技术的量子神经网络。研究背景是：ZNE 是当前量子计
Towards quantum machine learning for assessing the resilience of post-quantum cryptography
本文探讨了量子机器学习（特别是量子生成对抗网络QGAN）在评估后量子密码（PQC）协议安全性方面的潜力。随着量子计算机的发展，传统密码学面临威胁，因此后量子密码标准正在推进。然而，当前量子计算机虽规模有限，但仍可能被用于寻找PQC协议的弱点
Scalable Malware Family Classification Using Quantum Kernel Based Machine Learning
本文针对恶意软件家族分类这一网络安全关键挑战，提出了一种可扩展的基于量子核的机器学习（QKML）框架。传统机器学习模型在面对结构相似且混淆的恶意软件样本时，多分类准确率较低且难以大规模部署。该框架首先从可执行文件中提取结构特征，通过监督线性
QML-PipeGuard: Drift-Aware Behavioral Fingerprinting for Quantum Machine Learning Pipeline Integrity
量子机器学习（QML）正从研究原型转向云服务部署，进入监管行业后面临两大实际挑战：一是重校准间的硬件噪声漂移，二是攻击者可能控制执行环境，用行为相似但数学上不同的量子通道替换声明的通道。现有QML验证工作（脉冲级噪声、输入漂移、输入扰动鲁棒