利用外加雜訊以增強量子分類器於對抗例之可靠性驗證

Abstract

量子機器學習目前已成為突破機器學習計算速度的潛在可能，其完善化仍是許 多研究團隊的主要目標。現行研究除了設法在量子電腦硬體實作方面進行改善， 針對量子機器學習，傳統機器學習領域的相關研究對應之量子機器學習版本也是 量子計算領域的重點方向。有研究證明量子分類器容易受到機器學習對抗例攻 擊，並且隨著資料的維度增加，其受到對抗例攻擊的風險呈指數增長。本研究利 用外加旋轉雜訊，模擬傳統機器學習隨機平滑演算法，以期達到增加量子分類器 面對對抗例的可靠性，並連結差分隱私之定義，驗證外加雜訊所增強之量子分類 器可耐受對抗例之距離下界。本篇研究探討之量子分類器無特定架構之限制，故 適用於增強所有量子分類器之可靠性。此外，有別於許多傳統機器學習防禦對抗 例之演算法，此量子機器學習演算法不需透過重新訓練量子分類器，即可透過本 研究提出之演算法防禦對抗例。