Q-SafeML: Safety Assessment of Quantum Machine Learning via Quantum Distance Metrics
Oliver Dunn, Koorosh Aslansefat, Yiannis Papadopoulos
机器学习在安全关键型系统中的兴起与量子计算的进步并行,导致了量子机器学习(QML)的新兴领域。 虽然安全监控在经典ML中有所进展,但由于量子计算的根本差异,现有方法不适用于QML。 鉴于QML的新颖性,专用安全机制仍然不发达。 本文介绍了Q-SafeML,QML的安全监控方法。 该方法基于SafeML,这是一种利用统计距离测量来评估模型准确性并为算法推理提供信心的方法。 Q-SafeML的改编版本包含以量子为中心的距离测量,与QML输出的概率性质保持一致。 这种向依赖模型的后分类评估的转变代表了与经典SafeML的关键背离,后者是数据集驱动和分类器无关的。 这种区分的动机是量子系统独特的表示约束,需要通过量子态空间定义距离指标。 Q-SafeML 检测在 QML 上下文中处理概念漂移的操作和训练数据之间的距离。 对QCNN和VQC模型的实验表明,这可以实现明智的人类监督,提高系统透明度和安全性。
The rise of machine learning in safety-critical systems has paralleled advancements in quantum computing, leading to the emerging field of Quantum Machine Learning (QML). While safety monitoring has progressed in classical ML, existing methods are not directly applicable to QML due to fundamental differences in quantum computation. Given the novelty of QML, dedicated safety mechanisms remain underdeveloped. This paper introduces Q-SafeML, a safety monitoring approach for QML. The method builds o...