量子科技中心_量科网

量子神经网络（QNN）是实现量子机器学习（QML）的重要模型，但其与经典神经网络类似，对后门攻击表现出高度脆弱性。针对该问题，该研究团队提出名为QSentry的量子后门攻击检测框架，通过引入量子测量聚类方法，识别测量输出中的统计异常来检测后门。大量实验表明，QSentry能有效识别后门样本引发的异常分布——在1%投毒率下F1分数达到75.8%，当投毒率升至5%和10%时分别提升至85.7%和93.2%。通过结合轮廓系数与相对聚类规模，该框架可精准隔离后门样本，其估算结果与实际投毒率高度吻合。在多种量子攻击场景下的评估证明，相较三种前沿检测方法，QSentry展现出更优异的鲁棒性与准确性。这项工作为缓解QML中的后门威胁建立了实用有效的框架。