QuantumLeak: Stealing Quantum Neural Networks from Cloud-based NISQ Machines

本文介绍了一种名为QuantumLeak的有效和准确的量子神经网络（QNN）模型提取技术，该技术可从云端基于嘈杂中间规模量子（NISQ）计算机中提取出VQC模型。VQC是实现QNN的强大工具，可以解决各种复杂问题。经过良好训练的VQC是托管在云端NISQ计算机上的有价值的知识产权，但它们容易受到恶意VQC窃取攻击。然而，传统的用于经典机器学习模型的模型提取技术在应用于当前设备中存在的噪声较大的NISQ计算机时会遇到挑战。与现有的经典模型窃取技术相比，QuantumLeak在不同的数据集和VQC架构上提高了4.99％ ~ 7.35％的本地VQC准确性。

研究如何在云端的NISQ量子计算机上有效准确地提取量子神经网络模型，以防止恶意VQC窃取攻击。

提出了一种名为QuantumLeak的QNN模型提取技术，该技术在当前NISQ设备上具有良好的准确性和有效性。

实验结果表明，QuantumLeak相比现有的经典模型窃取技术在不同数据集和VQC体系结构上能够提高4.99％〜7.35％的本地VQC准确性。

近期的相关研究包括：Quantum model stealing attack and defense，Extraction of Machine Learning Models on Quantum Hardware，Model Extraction Attacks on Encrypted DNNs，Model Inversion Attacks that Exploit Confidence Information and Basic Countermeasures等。