Buchumschlag

Adversarial Threats in Quantum Machine Learning: A Survey of Attacks and Defenses

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ghosh, Archisman, Kundu, Satwik, Ghosh, Swaroop
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Quantum Physics Cryptography and Security Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

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

Adversarial Data Poisoning Attacks on Quantum Machine Learning in the NISQ Era
von: Kundu, Satwik, et al.
Veröffentlicht: (2024)

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

Guardians of the Quantum GAN
von: Ghosh, Archisman, et al.
Veröffentlicht: (2024)

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

STIQ: Safeguarding Training and Inferencing of Quantum Neural Networks from Untrusted Cloud
von: Kundu, Satwik, et al.
Veröffentlicht: (2024)

Inverse-Transpilation: Reverse-Engineering Quantum Compiler Optimization Passes from Circuit Snapshots
von: Kundu, Satwik, et al.
Veröffentlicht: (2025)

Impact of Error Rate Misreporting on Resource Allocation in Multi-tenant Quantum Computing and Defense
von: Das, Subrata, et al.
Veröffentlicht: (2025)

DyPP: Dynamic Parameter Prediction to Accelerate Convergence of Variational Quantum Algorithms
von: Kundu, Satwik, et al.
Veröffentlicht: (2023)

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

Forensics of Transpiled Quantum Circuits
von: Roy, Rupshali, et al.
Veröffentlicht: (2024)

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

Backdoor Threats in Variational Quantum Circuits: Taxonomy, Attacks, and Defenses
von: Jiang, Lei, et al.
Veröffentlicht: (2026)

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

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

AI-driven Reverse Engineering of QML Models
von: Ghosh, Archisman, 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)

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

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

A Defensive Framework Against Adversarial Attacks on Machine Learning-Based Network Intrusion Detection Systems
von: Tafreshian, Benyamin, et al.
Veröffentlicht: (2025)

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

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

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

A Systematic Survey of Security Threats and Defenses in LLM-Based AI Agents: A Layered Attack Surface Framework
von: Chu, Kexin
Veröffentlicht: (2026)

Attacks in Adversarial Machine Learning: A Systematic Survey from the Life-cycle Perspective
von: Wu, Baoyuan, et al.
Veröffentlicht: (2023)

Quantum Computing and Cybersecurity Education: A Novel Curriculum for Enhancing Graduate STEM Learning
von: Upadhyay, Suryansh, et al.
Veröffentlicht: (2025)

Hardware Trojans in Quantum Circuits, Their Impacts, and Defense
von: Roy, Rupshali, et al.
Veröffentlicht: (2024)

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

Enhancing Security in Deep Reinforcement Learning: A Comprehensive Survey on Adversarial Attacks and Defenses
von: Yichao, Wu, et al.
Veröffentlicht: (2025)

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

Application of Quantum Tensor Networks for Protein Classification
von: Kundu, Debarshi, et al.
Veröffentlicht: (2024)

AttackGNN: Red-Teaming GNNs in Hardware Security Using Reinforcement Learning
von: Gohil, Vasudev, et al.
Veröffentlicht: (2024)

Adversarial Machine Learning Threats to Spacecraft
von: Thummala, Rajiv, et al.
Veröffentlicht: (2024)

A No-Defense Defense Against Gradient-Based Adversarial Attacks on ML-NIDS: Is Less More?
von: elShehaby, Mohamed, et al.
Veröffentlicht: (2026)

FRAME : Comprehensive Risk Assessment Framework for Adversarial Machine Learning Threats
von: Shapira, Avishag, et al.
Veröffentlicht: (2025)

SecureLearn -- An Attack-agnostic Defense for Multiclass Machine Learning Against Data Poisoning Attacks
von: Paracha, Anum, 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)

Test-time Adversarial Defense with Opposite Adversarial Path and High Attack Time Cost
von: Yeh, Cheng-Han, et al.
Veröffentlicht: (2024)