ترجمه فارسی مقاله هموارسازی تصادفی گسسته با محاسبات کوانتومی ترکیب می‌شود

چکیده

Breakthroughs in machine learning (ML) and advances in quantum computing (QC) drive the interdisciplinary field of quantum machine learning to new levels. However, due to the susceptibility of ML models to adversarial attacks, practical use raises safety-critical concerns. Existing Randomized Smoothing (RS) certification methods for classical machine learning models are computationally intensive. In this paper, we propose the combination of QC and the concept of discrete randomized smoothing to speed up the stochastic certification of ML models for discrete data. We show how to encode all the perturbations of the input binary data in superposition and use Quantum Amplitude Estimation (QAE) to obtain a quadratic reduction in the number of calls to the model that are required compared to traditional randomized smoothing techniques. In addition, we propose a new binary threat model to allow for an extensive evaluation of our approach on images, graphs, and text.

چکیده به فارسی (ترجمه ماشینی)

دستیابی به موفقیت در یادگیری ماشین (ML) و پیشرفت در محاسبات کوانتومی (QC) زمینه بین رشته ای یادگیری ماشین کوانتومی را به سطوح جدید سوق می دهد.با این حال ، به دلیل حساسیت مدل های ML به حملات مخالف ، استفاده عملی باعث ایجاد نگرانی های مهم ایمنی می شود.روشهای صدور گواهینامه تصادفی تصادفی (RS) برای مدلهای یادگیری ماشین کلاسیک از نظر محاسباتی فشرده هستند.در این مقاله ، ما ترکیبی از QC و مفهوم هموار سازی تصادفی گسسته را برای سرعت بخشیدن به صدور گواهینامه تصادفی مدل های ML برای داده های گسسته پیشنهاد می کنیم.ما نشان می دهیم که چگونه می توان تمام آشفتگی های داده های باینری ورودی را در ابر قرار داد و از برآورد دامنه کوانتومی (QAE) استفاده کرد تا یک کاهش درجه دوم در تعداد تماس های مدل که در مقایسه با تکنیک های صاف کننده تصادفی سنتی مورد نیاز است ، به دست آورد.علاوه بر این ، ما یک مدل تهدید باینری جدید پیشنهاد می کنیم تا ارزیابی گسترده ای از رویکرد ما در مورد تصاویر ، نمودارها و متن را انجام دهیم.