Construindo Canais de Ruído Otimizados para Aumento da Robustez em Aprendizado de Máquina Quântico

Com o rápido avanço do Aprendizado de Máquina Quântico (QML), a necessidade crítica de aprimorar as medidas de segurança contra ataques adversariais e proteger os modelos de QML torna-se cada vez mais evidente. Neste trabalho, delineamos a conexão entre canais de ruído quântico e privacidade diferencial (DP), construindo uma família de canais de ruído que são inerentemente -DP: (, ) -canais. Através desta abordagem, conseguimos replicar os limites -DP observados para canais de despolarização e rotação aleatória, afirmando assim a ampla generalidade de nossa estrutura. Além disso, usamos um programa semi-definido para construir um canal otimizadamente robusto. Em uma avaliação experimental em pequena escala, demonstramos os benefícios de usar nosso canal de ruído ótimo em comparação ao ruído de despolarização, particularmente na melhoria da precisão adversarial. Além disso, avaliamos como as variáveis e afetam a robustez certificável e investigamos como diferentes métodos de codificação impactam a robustez do classificador.