PulseAugur
中
实时 04:22:34

量子神经网络利用噪声实现鲁棒的入侵检测 · arXiv 研究

作者 PulseAugur 编辑部 · [2 个来源] ·

本文为随机量子神经网络（SQNN）引入了一个严格的理论框架，以增强网络入侵检测中的对抗鲁棒性。该研究提出了一种“退相干收缩定理”，该定理量化了噪声（特别是退偏信道）如何收缩对抗性扰动。在 NSL-KDD 数据集上的实验表明，与无噪声模型相比，使用这种噪声训练的 SQNN 在抵抗 FGSM 和 PGD 等攻击方面具有显著更强的鲁棒性，并避免了灾难性的鲁棒性崩溃。该研究还推导了噪声正则化的自适应惩罚公式，比较了门控丢弃与退偏噪声，发现它们在减小训练-测试差距方面在统计上没有区别。 AI

影响 引入了一种利用量子原理增强人工智能系统对抗鲁棒性的新颖方法，可能带来更安全的人工智能应用。

排序理由 该集群包含一篇发表在 arXiv 上的研究论文，详细介绍了量子神经网络的理论和实验发现。

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

量子神经网络利用噪声实现鲁棒的入侵检测 · arXiv 研究

报道来源 [2]

  1. arXiv cs.CL TIER_1 English(EN) · Gautier-Edouard Edouard Filardo (CREOGN) ·

    退相干作为防御和噪声正则化的幅度：用于对抗性鲁棒网络入侵检测的随机量子神经网络的严格 N-量子比特理论

    arXiv:2606.24219v1 Announce Type: new Abstract: Stochastic quantum neural networks (SQNNs) encode neuronal activations as qubits, synaptic topology as entanglement, and neural noise through a Lindblad master equation. A recent conference study applied a ring-entangled SQNN to col…

  2. arXiv cs.CL TIER_1 English(EN) · Gautier-Edouard Edouard Filardo ·

    退相干作为防御和噪声正则化的幅度：对抗性鲁棒网络入侵检测的严格 N 量子比特随机量子神经网络理论

    Stochastic quantum neural networks (SQNNs) encode neuronal activations as qubits, synaptic topology as entanglement, and neural noise through a Lindblad master equation. A recent conference study applied a ring-entangled SQNN to collaborative intrusion detection and reached three…

相关实体

相关话题