研究人员开发了Q-DIBA，这是首个专门针对量子神经网络（QNN）的输入感知动态后门攻击。这种新的攻击方法解决了将经典动态后门技术转移到量子领域所面临的挑战，例如测量压缩和量子态波动。Q-DIBA采用了一种新颖的三模态小批量策略和集成密度对比损失，在MNIST和Fashion-MNIST等数据集上实现了高攻击成功率，同时保持了干净的准确性。该攻击已证明能抵御常见防御措施，凸显了对QNN部署的重大安全威胁。 AI
影响 这项研究突显了量子神经网络中一个关键的安全漏洞，可能影响量子机器学习应用的开发和部署。
排序理由 该集群包含一篇详细介绍针对量子神经网络的新攻击方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.11843v1 Announce Type: cross Abstract: Quantum Neural Networks (QNNs) are a promising framework for quantum machine learning on near-term quantum devices, but their security risks remain insufficiently understood. Studies have shown that QNNs are vulnerable to backdoor…
Quantum Neural Networks (QNNs) are a promising framework for quantum machine learning on near-term quantum devices, but their security risks remain insufficiently understood. Studies have shown that QNNs are vulnerable to backdoor attacks, yet existing quantum backdoors mostly re…