Vai al contenuto
Quantum.world

The Signal

Secondo uno studio, i dati di ORCA PT-2 producono maggiori miglioramenti nel perfezionamento di un modello per il rilevamento di malware

I ricercatori hanno usato le misurazioni del processore fotonico PT-2 di ORCA Computing per costruire una distribuzione latente destinata a un rilevatore di malware. Il modello derivato dai dati quantistici è migliorato di più con il perfezionamento, ma le sue prestazioni finali di rilevamento sono state simili a quelle di un modello gaussiano con lo stesso numero di dimensioni.

Secondo uno studio, i dati di ORCA PT-2 producono maggiori miglioramenti nel perfezionamento di un modello per il rilevamento di malware

Le misurazioni del processore fotonico PT-2 di ORCA Computing hanno prodotto un modello per il rilevamento di malware che ha tratto maggiori benefici dal perfezionamento successivo all’addestramento rispetto alle versioni basate su distribuzioni gaussiane, riferiscono i ricercatori. Gli autori riportano prestazioni finali di rilevamento simili tra il modello perfezionato derivato dai dati quantistici e un modello gaussiano con lo stesso numero di dimensioni.

Fonte arxiv.org

Il preprint, presentato il 10 novembre, è stato scritto da ricercatori di ST Engineering e ORCA Computing. Esamina la distribuzione dei dati utilizzata per addestrare un rilevatore generativo di anomalie, anziché eseguire il rilevatore stesso sul processore quantistico.

Il confronto tra gli input

Lo studio si basa su SAGEGAN, un rilevatore che apprende da file eseguibili benigni rappresentati come immagini. Utilizza un modello generativo per ricostruire un input e assegna un punteggio agli scostamenti che potrebbero indicare un’anomalia.

Durante l’addestramento, il generatore riceve campioni da una distribuzione nota come prior latente. I ricercatori hanno confrontato il prior gaussiano originale a 512 dimensioni con uno gaussiano a 48 dimensioni e con un prior a 48 dimensioni campionato dal processore fotonico. Quest’ultimo aveva la stessa ampiezza del prior derivato dai dati quantistici, consentendo un confronto a parità di dimensioni latenti e di stile.

Il team ha utilizzato misurazioni raccolte in precedenza dai 48 qumode di uscita del processore. Ogni misurazione registrava un profilo di conteggio dei fotoni; quei campioni hanno fornito gli input latenti utilizzati dal modello classico.

Per ogni immagine in input, un codificatore produce vettori di stile specifici per ciascun livello, che guidano la ricostruzione. Dopo l’addestramento, i parametri del rilevatore vengono congelati, mentre gli stili codificati possono essere adattati mediante una ricerca greedy o una politica di apprendimento per rinforzo. Le modifiche risultanti contribuiscono a un punteggio di anomalia perfezionato.

Risultati dei test

Il corpus conteneva 20.000 eseguibili benigni e 10.820 eseguibili malevoli appartenenti a 214 famiglie di malware; entrambi i gruppi erano stati selezionati tra file di dimensioni comprese tra 2 e 50 MB. Solo le immagini di addestramento benigne sono state usate per aggiornare i parametri del rilevatore e della politica di perfezionamento; i dati di validazione etichettati, benigni e malevoli, sono stati usati per la selezione del modello e la calibrazione dei punteggi.

Su dieci seed, l’area media sotto la curva ROC nei test del modello derivato dai dati quantistici, dopo il perfezionamento tramite apprendimento per rinforzo, è stata pari a 0,8935, rispetto a 0,8905 per il modello gaussiano con lo stesso numero di dimensioni, riferiscono i ricercatori. La metrica riassume la capacità di distinguere tra file benigni e malevoli al variare delle soglie.

I ricercatori non hanno osservato differenze significative nell’AUC media dei test tra i due modelli. Hanno invece riscontrato miglioramenti medi maggiori, rispetto al corrispondente modello non perfezionato, per la configurazione derivata dai dati quantistici, sia con la ricerca greedy sia con l’apprendimento per rinforzo. Questi miglioramenti comprendono la procedura associata di assegnazione dei punteggi e calibrazione.

I risultati dell’analisi latente

Secondo lo studio, la configurazione derivata dai dati quantistici presentava il rango effettivo normalizzato più elevato e un allineamento più stretto tra gli stili benigni codificati e quelli campionati. Il rango effettivo descrive quanto diffusamente la variazione sia distribuita tra le direzioni latenti; le analisi di corrispondenza esaminano la relazione tra le rappresentazioni codificate e il prior utilizzato dal generatore.

Quest’ordine non è stato confermato da tutte le analisi. Il modello gaussiano con lo stesso numero di dimensioni presentava un errore di coerenza latente inferiore: la metrica misura quanto bene si possa recuperare uno stile dopo aver generato e ricodificato un’immagine.

La valutazione ha utilizzato un solo corpus di malware, una sola architettura di modello e un insieme fisso di misurazioni provenienti da un’unica configurazione dell’interferometro; i confronti classici hanno utilizzato prior gaussiani anziché una più ampia serie di alternative strutturate.

Fonti

  1. Quantum-Assisted Generative Anomaly Detection: A Dimension-Controlled Study of Latent Refinement
  2. arXiv
  3. arXiv
  4. quantumzeitgeist.com
  5. peerrevenue.com

Notizie correlate

Esplora

Altri articoli