[論文レビュー] Hybrid Classical-Quantum Deep Learning Models for Autonomous Vehicle Traffic Image Classification Under Adversarial Attack

Reek Majumder, Sakib Mahmud Khan+7 more|arXiv (Cornell University)|Aug 2, 2021

Adversarial Robustness in Machine Learning参考文献 39被引用数 15

ひとこと要約

この論文では、重ね合わせともつれを活用する量子ニューラルネットワークを組み合わせた、古典的・量子的ハイブリッド深層学習モデルを提案し、自律走行車両の交通標識分類において adversarial 攻撃に対する耐性を向上させている。事前に訓練された ResNet18 バックボーンと組み合わせることで、限られた学習データ下でも、白箱攻撃に対して優れた正確性と耐性を達成している。

ABSTRACT

Image classification must work for autonomous vehicles (AV) operating on public roads, and actions performed based on image misclassification can have serious consequences. Traffic sign images can be misclassified by an adversarial attack on machine learning models used by AVs for traffic sign recognition. To make classification models resilient against adversarial attacks, we used a hybrid deep-learning model with both the quantum and classical layers. Our goal is to study the hybrid deep-learning architecture for classical-quantum transfer learning models to support the current era of intermediate-scale quantum technology. We have evaluated the impacts of various white box adversarial attacks on these hybrid models. The classical part of hybrid models includes a convolution network from the pre-trained Resnet18 model, which extracts informative features from a high dimensional LISA traffic sign image dataset. The output from the classical processor is processed further through the quantum layer, which is composed of various quantum gates and provides support to various quantum mechanical features like entanglement and superposition. We have tested multiple combinations of quantum circuits to provide better classification accuracy with decreasing training data and found better resiliency for our hybrid classical-quantum deep learning model during attacks compared to the classical-only machine learning models.

研究の動機と目的

• 自律走行車両の認識システムにおいて adversarial 攻撃に強いハイブリッド古典的・量子的深層学習アーキテクチャの開発。
• 交通標識データセット上で、さまざまな白箱攻撃シナリオにおける量子強化モデルの性能評価。
• 古典的モデルと比較して、学習データが少ない場合のハイブリッドモデルの耐性と正確性への影響の調査。
• もつれと重ね合わせといった量子力学的特徴が分類耐性を向上させる役割を果たすかの探求。
• 実世界の自律走行車両アプリケーションに向けた中規模量子ハードウェアにおける量子機械学習の実用的導入を可能にする。

提案手法

• 高次元の LISA 交通標識画像の古典的特徴抽出器として、事前に訓練された ResNet18 モデルを用いる。
• ResNet18 からの出力特徴は、単一および二量子ビットの量子ゲートからなるパラメータ化された量子回路に供給される。
• 量子レイヤーは、重ね合わせやもつれといった量子力学的原理を活用して特徴表現を強化する。
• 転移学習を用いてハイブリッドモデルを訓練し、古典的最適化により量子回路のパラメータを微調整する。
• 正確性と攻撃下での耐性を最大化する構成を特定するために、複数の量子回路アーキテクチャをテストする。
• 白箱設定で adversarial 攻撃を適用し、モデルの耐性を評価し、古典的モデルと性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッド古典的・量子的深層学習モデルは、古典的モデルと比較して、交通標識分類における adversarial 耐性をどのように向上させるか？
• RQ2 学習データ量の変動が、量子強化モデルの性能と耐性に与える影響は何か？
• RQ3 どの量子回路構成が adversarial 攻撃下での分類正確性と耐性を最も高めるか？
• RQ4 もつれや重ね合わせといった量子特徴が、モデル耐性の向上にどの程度寄与するか？
• RQ5 限られたデータで訓練されたハイブリッドモデルは、自律走行車両システムにおける現実世界の adversarial 条件下でも高い性能を維持できるか？

主な発見

• ハイブリッド古典的・量子的モデルは、LISA 交通標識データセットにおいて、古典的モデルと比較して白箱攻撃に対して顕著に優れた耐性を示した。
• 特に学習データが少ない状況でも、adversarial パラメータの影響を受けることなく高い分類正確性を維持しており、一般化性能の向上を示唆している。
• 最適化されたもつれ構成とゲートシーケンスを有する特定の量子回路構成が、耐性と正確性の両面で顕著な向上をもたらした。
• 量子レイヤーの統合により特徴表現が強化され、adversarial ノイズ下でもより良い識別が可能になった。
• 複数の攻撃タイプにわたりモデルの性能が安定しており、安全が求められる自律走行車両システムへの導入可能性を裏付けた。
• 結果から、量子機械学習コンponentsが、リソース制限のある現実世界の環境において、古典的深層学習を効果的に補完できる可能性があると示唆された。