利用量子生成对抗网络和连续数据注入增强多元时间序列的网络异常检测
量子计算可能为推进机器学习提供新的方法，包括在网络流量中的异常检测等复杂任务。本文介绍了一种用于多元时间序列异常检测的量子生成对抗网络（QGAN）架构，该架构结合了变分量子电路（VQC）、时间窗口滑动技术、数据重上传以及连续数据注入（SuDaI）方法。该方法将多元时间序列数据编码为旋转角度。通过整合数据重上传和SuDaI，该工作能够高效地将经典数据映射到量子态，从而帮助解决硬件限制，例如可用量子比特数量有限的问题。此外，该方法采用了一种异常评分技术，利用生成器和判别器的输出来提高异常检测的准确性。该QGAN使用参数移位规则进行训练，并与经典GAN进行了基准测试。实验结果表明，量子模型在异常检测中实现了较高的准确率、召回率和F1分数，并且与经典模型相比，获得了更低的均方误差（MSE）。值得注意的是，QGAN仅使用80个参数就实现了这一性能，展示了紧凑架构下的竞争力。在噪声模拟器上的测试表明，该方法在现实噪声环境下仍然有效。
