退相干作为防御与噪声正则化的幅度：面向对抗鲁棒网络入侵检测的随机量子神经网络严格 N 量子比特理论

arXiv cs.CL 论文
quantum-neural-networks adversarial-robustness network-intrusion-detection decoherence noise-regularization stochastic-master-equation depolarising-channel

摘要

本文提出了一个面向对抗鲁棒网络入侵检测的随机量子神经网络(SQNN)严格 N 量子比特理论，证明了退相干收缩定理，并展示了退极化噪声能提供对抗攻击的鲁棒性，同时在 NSL-KDD 数据集上进行了实验。

arXiv:2606.24219v1 公告类型: 新 摘要: 随机量子神经网络(SQNN)将神经元激活编码为量子比特，突触拓扑编码为纠缠，并通过林德布拉德主方程引入神经噪声。最近一项会议研究将环纠缠SQNN应用于协作入侵检测，得出三个结论：环纠缠对于非局部异常检测是\emph{必需的}；存在一个对抗弹性界，但它是\emph{保守的}；退极化信道\emph{未能}起到类似dropout的正则化作用，而是表现为输出噪声。该研究留下了两个未解决的问题：每门随机失活（``真正的量子dropout''）是否能在退极化信道不能正则化的地方进行正则化，以及宽松的鲁棒性界能否被预测性理论取代。本文解决了这两个问题，并将框架扩展到真实数据和中性原子硬件。我们通过随机主方程及其向量化的Liouvillian给出了一个$N$量子比特的公式化表达，并证明了\emph{退相干收缩定理}：强度为$\gamma$的退极化信道在$L$个纠缠层上，将每个权重为$w$的泡利读出收缩因子$(1-4\gamma/3)^{wL}$（对于这里使用的权重$1$读出，因子为$(1-4\gamma/3)^{L}$）；基于Du等人的通用噪声即防御结果，我们将其定量化并应用于入侵检测操作。在真实的NSL-KDD数据集上，面对白盒FGSM和PGD攻击，使用该信道训练的退极化SQNN在七个随机种子上，在强$\ell_\infty$/$\ell_2$攻击下，显著比无噪声电路更鲁棒（$\ell_\infty$ PGD-$20$, $p=0.04$, 大效应），并且关键的是，从未出现无噪声模型和梯度训练的经典检测器（从$95\%$下降到$47\%$）所遭受的灾难性鲁棒性崩溃，鲁棒性方差大约降低两倍；我们证明这种鲁棒性源于噪声重塑的训练边界，而非攻击时的梯度收缩。对于泛化，我们推导出一个自适应惩罚公式，表明每门dropout在权重空间中实现了一个曲率加权的$L_2$惩罚项$\tfrac{p(1-p)}{2}\sum\theta^2\partial^2_\theta L$，在$p=1/2$时最大，而退极化噪声实现了一个输出空间惩罚项。一项$30$个随机种子的研究确认了该公式的定量预测：两种机制都以统计上显著但很小的幅度（$\approx\!0.01$；$p<10^{-4}$和$p=0.004$）减少了训练-测试差距，两者在统计上无法区分，并且该效应集中在过拟合最严重的地方；将dropout率提高到$1/2$以上并无帮助，正如公式预测的那样。先前工作的单一种子二分法在重复中未能成立。最后，我们给出了一个中性原子实现以及一个基于$N$的可行性分析。
查看原文
查看缓存全文

缓存时间: 2026/06/24 07:46 

# 退相干作为防御与噪声正则化的量级：面向对抗鲁棒网络入侵检测的随机量子神经网络严格N量子比特理论
来源：https://arxiv.org/abs/2606.24219
查看PDF（https://arxiv.org/pdf/2606.24219）

> **摘要**：随机量子神经网络（SQNN）将神经元激活编码为量子比特，突触拓扑编码为纠缠，神经噪声编码为林德布拉德主方程。近期一项会议研究将环纠缠SQNN应用于协作入侵检测，得出三点结论：环纠缠对非局域异常检测是*必不可少的*；存在一个对抗鲁棒性界限但*过于保守*；退极化信道*未能*起到丢弃式正则化器的作用，反而表现为输出噪声。该研究留下两个未解问题：逐门随机失活（“真正量子丢弃”）能否在退极化信道失败之处实现正则化？松散的鲁棒性界限能否被可预测理论取代？本文同时解决这两个问题，并将框架扩展到真实数据和中性原子硬件。我们通过随机主方程及其向量化李宇维尔超算符给出$N$量子比特形式化描述，并证明一个*退相干收缩定理*：强度为$\gamma$的退极化信道作用于$L$个纠缠层时，会使每个权重为$w$的泡利读出收缩因子$(1-4\gamma/3)^{wL}$（对于本文使用的权重$1$读出，即$(1-4\gamma/3)^{L}$）；基于Du等人的一般性噪声即防御结果，我们使这一结论定量化且可操作地用于入侵检测。在真实NSL-KDD数据集上，面对白盒FGSM和PGD攻击，使用该信道训练的退极化SQNN在七个随机种子下，面对强$\ell_\infty$/$\ell_2$攻击时，显著比无噪声电路更鲁棒（$\ell_\infty$ PGD-20，$p=0.04$，大效应），并且关键的是，从未出现无噪声模型和梯度训练的传统检测器（准确率从$95\%$骤降至$47\%$）所遭受的灾难性鲁棒性崩溃，鲁棒性方差大致降低两倍；我们证明这种鲁棒性源于噪声重塑的训练边界，而非攻击时刻的梯度收缩。关于泛化性，我们推导一个自适应惩罚公式，表明逐门丢弃在权重空间中实现曲率加权$L_2$惩罚$\tfrac{p(1-p)}{2}\sum\theta^2\partial^2_\theta L$，在$p=1/2$处最大，而退极化噪声则实现输出空间惩罚。一个30个随机种子的研究证实了该公式的定量预测：两种机制均以微小但统计显著的程度（约$0.01$；$p<10^{-4}$和$p=0.004$）缩小训练-测试差距，两者在统计学上无法区分，且效果集中在过拟合最严重处；将丢弃率提高到$1/2$以上并无帮助，如公式所预言。先前工作中的单种子二分法在重复实验下不成立。最后，我们给出了中性原子实现和基于$N$的可行性分析。

## 提交历史

来自：Gautier-Edouard FILARDO [查看电子邮件（https://arxiv.org/show-email/db8f8f62/2606.24219）] [通过CCSD代理] ** [v1] ** 2026年6月23日星期二 07:06:56 UTC（455 KB）

相似文章