# 論文概要 再構成を通して敵対的サンプルを取り除くために、量子オートエンコーダを活用する、敵対的学習フリーな防御手法を提案。既存の量子機械学習の防御策として敵対的なサンプルを用いた学習が考案されているが、実用上の限界があった。 # 論文を理解する上で重要な図など <img width="505" height="181" alt="Image" src="https://github.com/user-attachments/assets/b2d22538-95c6-4c37-9a9f-abb2df0c1411" /> <img width="1008" height="628" alt="Image" src="https://github.com/user-attachments/assets/daf7df3e-93bf-44dc-a9e2-dbaecdfe66a3" /> <img width="871" height="977" alt="Image" src="https://github.com/user-attachments/assets/021180a6-a419-4207-a1c9-c64f8d8eef50" /> <img width="839" height="569" alt="Image" src="https://github.com/user-attachments/assets/bbeefab1-167d-4d76-acfc-318ba1b9f275" /> # 論文リンク [https://arxiv.org/abs/2604.28176](https://t.co/CVytHOFDIA)
論文概要
再構成を通して敵対的サンプルを取り除くために、量子オートエンコーダを活用する、敵対的学習フリーな防御手法を提案。既存の量子機械学習の防御策として敵対的なサンプルを用いた学習が考案されているが、実用上の限界があった。
論文を理解する上で重要な図など
論文リンク
https://arxiv.org/abs/2604.28176