Buchumschlag

QML-PipeGuard: Drift-Aware Behavioral Fingerprinting for Quantum Machine Learning Pipeline Integrity

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Yeniaras, Esra
Format:	Preprint
Veröffentlicht:	2026
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

QCIVET: A Quantum--Classical Pipeline Integrity Framework with Contract-Based Subtype Verification and Hash-Chained Audit Traces
von: Yeniaras, Esra, et al.
Veröffentlicht: (2026)

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

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

Quantum Adversarial Machine Learning and Defense Strategies: Challenges and Opportunities
von: Yocam, Eric, 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)

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

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

MPC-Pipe: an Efficient Pipeline Scheme for Secure Multi-party Machine Learning Inference
von: Wang, Yongqin, et al.
Veröffentlicht: (2022)

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

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

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

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

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

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

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

CopyQNN: Quantum Neural Network Extraction Attack under Varying Quantum Noise
von: Fu, Zhenxiao, 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)

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)

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

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

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

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

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

A Generic Machine Learning Framework for Radio Frequency Fingerprinting
von: Hiles, Alex, et al.
Veröffentlicht: (2025)

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)

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

QML-IDS: Quantum Machine Learning Intrusion Detection System
von: Abreu, Diego, et al.
Veröffentlicht: (2024)

GuardML: Efficient Privacy-Preserving Machine Learning Services Through Hybrid Homomorphic Encryption
von: Frimpong, Eugene, et al.
Veröffentlicht: (2024)

Contraction of Private Quantum Channels and Private Quantum Hypothesis Testing
von: Nuradha, Theshani, et al.
Veröffentlicht: (2024)

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

Detecting Fraudulent Services on Quantum Cloud Platforms via Dynamic Fingerprinting
von: Wu, Jindi, et al.
Veröffentlicht: (2024)

Quantum Pufferfish Privacy: A Flexible Privacy Framework for Quantum Systems
von: Nuradha, Theshani, et al.
Veröffentlicht: (2023)

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

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

Q-DPTS: Quantum Differentially Private Time Series Forecasting via Variational Quantum Circuits
von: Chen, Chi-Sheng, et al.
Veröffentlicht: (2025)

Ensuring superior learning outcomes and data security for authorized learner
von: Bang, Jeongho, et al.
Veröffentlicht: (2025)

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