Buchumschlag

A Comparative Analysis of Adversarial Robustness for Quantum and Classical Machine Learning Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wendlinger, Maximilian, Tscharke, Kilian, Debus, Pascal
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Cryptography and Security Quantum Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Quantum Support Vector Regression for Robust Anomaly Detection
von: Tscharke, Kilian, et al.
Veröffentlicht: (2025)

Semisupervised Anomaly Detection using Support Vector Regression with Quantum Kernel
von: Tscharke, Kilian, et al.
Veröffentlicht: (2023)

Old Rules in a New Game: Mapping Uncertainty Quantification to Quantum Machine Learning
von: Wendlinger, Maximilian, et al.
Veröffentlicht: (2025)

Quantum Autoencoder for Multivariate Time Series Anomaly Detection
von: Tscharke, Kilian, et al.
Veröffentlicht: (2025)

Entangled Threats: A Unified Kill Chain Model for Quantum Machine Learning Security
von: Debus, Pascal, et al.
Veröffentlicht: (2025)

Towards Classical Software Verification using Quantum Computers
von: Issel, Sebastian, et al.
Veröffentlicht: (2024)

Quantum Machine Learning Playground
von: Debus, Pascal, et al.
Veröffentlicht: (2025)

QUACK: Quantum Aligned Centroid Kernel
von: Tscharke, Kilian, et al.
Veröffentlicht: (2024)

Adversarial Threats in Quantum Machine Learning: A Survey of Attacks and Defenses
von: Ghosh, Archisman, et al.
Veröffentlicht: (2025)

Quantum Adversarial Machine Learning and Defense Strategies: Challenges and Opportunities
von: Yocam, Eric, et al.
Veröffentlicht: (2024)

Quantum Adversarial Learning for Kernel Methods
von: Montalbano, Giuseppe, et al.
Veröffentlicht: (2024)

Security Concerns in Quantum Machine Learning as a Service
von: Kundu, Satwik, et al.
Veröffentlicht: (2024)

Hybrid Quantum-Classical Autoencoders for Unsupervised Network Intrusion Detection
von: Rasyidi, Mohammad Arif, et al.
Veröffentlicht: (2025)

Quantum Privacy Aggregation of Teacher Ensembles (QPATE) for Privacy-preserving Quantum Machine Learning
von: Watkins, William, et al.
Veröffentlicht: (2024)

Machine Learning Cryptanalysis of a Quantum Random Number Generator
von: Truong, Nhan Duy, et al.
Veröffentlicht: (2019)

Harnessing Inherent Noises for Privacy Preservation in Quantum Machine Learning
von: Ju, Keyi, et al.
Veröffentlicht: (2023)

Quantum Adversarial Machine Learning: From Classical Adaptations to Quantum-Native Methods
von: Razavi-Far, Roozbeh, et al.
Veröffentlicht: (2026)

QML-PipeGuard: Drift-Aware Behavioral Fingerprinting for Quantum Machine Learning Pipeline Integrity
von: Yeniaras, Esra
Veröffentlicht: (2026)

The Quantum Imitation Game: Reverse Engineering of Quantum Machine Learning Models
von: Ghosh, Archisman, et al.
Veröffentlicht: (2024)

QuantumLeak: Stealing Quantum Neural Networks from Cloud-based NISQ Machines
von: Fu, Zhenxiao, et al.
Veröffentlicht: (2024)

Security-by-Design for LLM-Based Code Generation: Leveraging Internal Representations for Concept-Driven Steering Mechanisms
von: Wendlinger, Maximilian, et al.
Veröffentlicht: (2026)

Adversarial Robustness of Partitioned Quantum Classifiers
von: Kananian, Pouya, et al.
Veröffentlicht: (2025)

Covert Quantum Learning: Privately and Verifiably Learning from Quantum Data
von: Anand, Abhishek, et al.
Veröffentlicht: (2025)

Differential Privacy of Quantum and Quantum-Inspired Classical Recommendation Algorithms
von: Li, Chenjian, et al.
Veröffentlicht: (2025)

Quantum-Hybrid Support Vector Machines for Anomaly Detection in Industrial Control Systems
von: Cultice, Tyler, et al.
Veröffentlicht: (2025)

Anomaly Detection for Real-World Cyber-Physical Security using Quantum Hybrid Support Vector Machines
von: Cultice, Tyler, et al.
Veröffentlicht: (2024)

Q-Detection: A Quantum-Classical Hybrid Poisoning Attack Detection Method
von: He, Haoqi, et al.
Veröffentlicht: (2025)

Quantum-Inspired Analysis of Neural Network Vulnerabilities: The Role of Conjugate Variables in System Attacks
von: Zhang, Jun-Jie, et al.
Veröffentlicht: (2024)

Evaluating Efficacy of Model Stealing Attacks and Defenses on Quantum Neural Networks
von: Kundu, Satwik, et al.
Veröffentlicht: (2024)

Robustness-Congruent Adversarial Training for Secure Machine Learning Model Updates
von: Angioni, Daniele, et al.
Veröffentlicht: (2024)

CopyQNN: Quantum Neural Network Extraction Attack under Varying Quantum Noise
von: Fu, Zhenxiao, et al.
Veröffentlicht: (2025)

On the Robustness of Distributed Machine Learning against Transfer Attacks
von: Andreina, Sébastien, et al.
Veröffentlicht: (2024)

Hacking Cryptographic Protocols with Advanced Variational Quantum Attacks
von: Aizpurua, Borja, et al.
Veröffentlicht: (2023)

Quantum delegated and federated learning via quantum homomorphic encryption
von: Li, Weikang, et al.
Veröffentlicht: (2024)

Evaluating the Potential of Quantum Machine Learning in Cybersecurity: A Case-Study on PCA-based Intrusion Detection Systems
von: Bellante, Armando, et al.
Veröffentlicht: (2025)

A Comparative Analysis of Machine Learning Models for DDoS Detection in IoT Networks
von: Shakya, Sushil, et al.
Veröffentlicht: (2024)

Enhancing Quantum Security over Federated Learning via Post-Quantum Cryptography
von: Li, Pingzhi, et al.
Veröffentlicht: (2024)

ModSec-AdvLearn: Countering Adversarial SQL Injections with Robust Machine Learning
von: Floris, Giuseppe, et al.
Veröffentlicht: (2023)

A Comparative Analysis of Machine Learning Models for Intrusion Detection in Intelligent Transport Systems
von: Sazid, Zawad Yalmie, et al.
Veröffentlicht: (2026)

Information-Theoretic Limits of Quantum Learning via Data Compression
von: Angrisani, Armando, et al.
Veröffentlicht: (2021)