Explainable Quantum Learning for Robust Interference Classification in Next-Gen O-RAN

Yared Abera Ergu

doi:10.1109/tmc.2026.3725286

Explainable Quantum Learning for Robust Interference Classification in Next-Gen O-RAN

2026-08-19

0

PRE

AI

DOI：10.1109/tmc.2026.3725286

原文链接

原文求助

摘要

En 中文

随着开放无线接入网络（O-RAN）进入智能化驱动时代，人工智能（AI）赋能的核心功能与应用近期受到广泛关注。AI驱动技术能够实现近实时任务，如大规模网络的信号干扰分类。相应地，准确的干扰类型识别能够实现更有效的连续干扰消除，减少性能下降并增强基于O-RAN的移动网络可靠性。由于量子计算仍需大量能耗且受限于当前硬件能力，混合量子-经典机器学习提供了一种高效替代方案。然而，对抗鲁棒性和可解释性仍然是此类混合模型的关键挑战，因为新兴的基于扰动的攻击可轻易扭曲其决策边界。本研究提出Q-SHIELD，一种量子辅助防御框架，通过可信流形引导的量子态变换和保真度增强的边界强化来提升鲁棒性和可解释性。Q-SHIELD在各类污染攻击和对抗攻击下进行评估。使用真实O-RAN测试床的公开数据集，Q-SHIELD在常见情况下达到98.2%的准确率，并在最恶劣条件下保持84.7%的准确率，即使在强对抗攻击（如量子投影梯度下降）下也是如此。在可解释性方面，Q-SHIELD强调因果紧致性，在顶部20%特征上实现0.988的漂移相关性以及0.871/0.007的充分性/全面性评分。这些结果在防御性能上较对抗训练基线提升高达35%。结果表明，Q-SHIELD能为智能O-RAN提供稳健的量子辅助服务。

Keyword:

Adversarial attacks

quantum learning explainability

robust signal classification

secure quantum machine learning

Explainable Quantum Learning for Robust Interference Classification in Next-Gen O-RAN

摘要

期刊

机构

引用论文