Buchumschlag

Ensuring superior learning outcomes and data security for authorized learner

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bang, Jeongho, Song, Wooyeong, Shin, Kyujin, Kim, Yong-Su
Format:	Preprint
Veröffentlicht:	2025
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

Blind quantum machine learning with quantum bipartite correlator
von: Li, Changhao, et al.
Veröffentlicht: (2023)

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

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

Training quantum machine learning models on cloud without uploading the data
von: He, Guang Ping
Veröffentlicht: (2024)

A quantum tug of war between randomness and symmetries on homogeneous spaces
von: Arvind, Rahul, et al.
Veröffentlicht: (2023)

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

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

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

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

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

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

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

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

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

A Comparative Analysis of Adversarial Robustness for Quantum and Classical Machine Learning Models
von: Wendlinger, Maximilian, et al.
Veröffentlicht: (2024)

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

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

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

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

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

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

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

Private and interpretable clinical prediction with quantum-inspired tensor train models
von: Monturiol, José Ramón Pareja, et al.
Veröffentlicht: (2026)

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

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

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

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

Privacy-preserving quantum federated learning via gradient hiding
von: Li, Changhao, et al.
Veröffentlicht: (2023)

On the composable security of weak coin flipping
von: Wu, Jiawei, et al.
Veröffentlicht: (2024)

Unconditionally secure quantum commitments with preprocessing
von: Qian, Luowen
Veröffentlicht: (2023)

Quantum secure non-malleable-extractors
von: Boddu, Naresh Goud, et al.
Veröffentlicht: (2021)

Pseudorandom unitaries with non-adaptive security
von: Metger, Tony, et al.
Veröffentlicht: (2024)

Assessing the feasibility of quantum learning algorithms for noisy linear problems
von: Kim, Minkyu, et al.
Veröffentlicht: (2024)

Simple and tight device-independent security proofs
von: Arnon, Rotem, et al.
Veröffentlicht: (2016)

Privacy-preserving machine learning with tensor networks
von: Pozas-Kerstjens, Alejandro, et al.
Veröffentlicht: (2022)

Unconditionally secure key distribution without quantum channel
von: Yin, Hua-Lei
Veröffentlicht: (2024)

Effective and secure federated online learning to rank
von: Wang, Shuyi
Veröffentlicht: (2024)

Evaluating the security of CRYSTALS-Dilithium in the quantum random oracle model
von: Jackson, Kelsey A., et al.
Veröffentlicht: (2023)

Frequency-Division Multiplexed CV-QKD System
von: Han, Jahyeok, et al.
Veröffentlicht: (2026)

Towards practical secure delegated quantum computing with semi-classical light
von: Bourdoncle, Boris, et al.
Veröffentlicht: (2024)