量子对抗度量学习模型

更高对抗鲁棒精度

该模型通过量子梯度上升方法生成对抗样本，有效提高了对功能对抗攻击的鲁棒性。

Hou, Yanyan · 李剑 · Chen, Xiubo · Ye, Chongqiang

EPJ Quantum Technology 2023

参数信息

所需参数化量子电路数

1

技术优势

鲁棒性更高

通过量子梯度上升生成对抗样本，模型对有目标的功能对抗攻击具有更高的ϵ-鲁棒精度。

资源需求降低

利用纠缠和干涉构建三元组样本的叠加态，只需一个参数化量子电路即可计算样本距离。

应用场景

• 图像分类：直接用于图像分类任务，提升对抗鲁棒性。
• 聚类分析：作为聚类任务的子程序，提供更好的度量。
• 对抗防御：通过量子梯度上升生成对抗样本，提高模型防御能力。