Quantum Machine Learning: Performance and Security Implications in Real-World Applications

要約

量子コンピューティングは、古典的なコンピュータに対して「量子の利点」を達成できる可能性があるため、近年、学界と産業界の両方から大きな注目を集めています。
量子コンピューティングの出現により、セキュリティとプライバシーに対する新たな課題が生じています。
このポスターでは、現実世界のアプリケーションにおける機械学習のケーススタディを通じて、量子コンピューティングのパフォーマンスとセキュリティへの影響を探ります。
アルツハイマー病データセットを使用して、量子機械学習 (QML) アルゴリズムのパフォーマンスを古典的なアルゴリズムと比較します。
私たちの結果は、QML アルゴリズムが有望な可能性を示しているものの、学習能力と収束難易度の点ではまだ古典的なアルゴリズムを超えておらず、古典的なコンピューターでのシミュレーションを通じて量子アルゴリズムを実行するには、非常に大きなメモリ空間と CPU 時間が必要であることを示しています。
私たちの研究は、QML が古典的な機械学習アルゴリズムから脆弱性を継承していると同時に、新しい攻撃ベクトルも導入していることも示しています。

要約(オリジナル)

Quantum computing has garnered significant attention in recent years from both academia and industry due to its potential to achieve a ‘quantum advantage’ over classical computers. The advent of quantum computing introduces new challenges for security and privacy. This poster explores the performance and security implications of quantum computing through a case study of machine learning in a real-world application. We compare the performance of quantum machine learning (QML) algorithms to their classical counterparts using the Alzheimer’s disease dataset. Our results indicate that QML algorithms show promising potential while they still have not surpassed classical algorithms in terms of learning capability and convergence difficulty, and running quantum algorithms through simulations on classical computers requires significantly large memory space and CPU time. Our study also indicates that QMLs have inherited vulnerabilities from classical machine learning algorithms while also introduce new attack vectors.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google