Quantum adversarial machine learning: from classical adaptations to quantum-native methods

Roozbeh Razavi-Far

doi:10.1007/s10462-026-11578-7

Quantum adversarial machine learning: from classical adaptations to quantum-native methods

2026-05-11

0

OA

AI

DOI：10.1007/s10462-026-11578-7

原文链接

查看原文

摘要

En 中文

机器学习已革新众多工业领域。尽管取得近期进展，机器学习模型仍易受对抗性威胁。对抗机器学习是研究这些脆弱性以构建鲁棒机器学习模型的领域。量子机器学习是连接量子计算和经典机器学习的跨学科领域。尽管量子机器学习在回归、分类和生成建模等复杂任务中显示出超越经典机器学习的潜力，但仍易受对抗攻击。鉴于量子计算和机器学习的近期进展，量子对抗机器学习领域应运而生，用于研究量子机器学习的脆弱性、可能的攻击以及新颖的量子增强防御策略。在本综述中，我们提供量子对抗机器学习的详细概述，并探讨现有攻击与防御措施。我们还回顾了该领域的理论基础、新兴趋势和关键挑战。

Keyword:

Quantum computing

Quantum machine learning (QML)

Quantum adversarial machine learning (QAML)

Threat model

Adversarial attacks

Adversarial defenses

Quantum-native

Quantum adversarial machine learning: from classical adaptations to quantum-native methods

摘要

AI总结

期刊

机构

引用论文