Selezione pareto-ottimale di kernel quantistici per il rilevamento non supervisionato di anomalie su dati reali di beaconing di malware

Abstract degli autori

I metodi basati su kernel quantistici sono tra i principali candidati a offrire un vantaggio quantistico pratico nell’apprendimento automatico, ma per valutarne il potenziale servono due quantità che di solito vengono riportate separatamente: le prestazioni di un kernel sul compito e la misura in cui la sua geometria si discosta da quella dei kernel classici disponibili per lo stesso problema. Introduciamo un protocollo completamente non supervisionato e multiobiettivo che ottimizza simultaneamente la discrepanza pseudo-normalizzata (NPD), un indicatore della qualità del rilevamento delle anomalie che non richiede etichette, e la differenza geometrica (GD) rispetto a un kernel classico di riferimento ottimizzato, selezionando i modelli dalla frontiera di Pareto risultante. Lo applichiamo al rilevamento del beaconing di malware nel traffico di rete reale, usando una macchina a vettori di supporto one-class con kernel quantistici di fedeltà e proiettati, in quattro codifiche dei dati, su simulatori e sul processore Garnet a 20 qubit di IQM. La sola selezione guidata dall’NPD individua un kernel di fedeltà che supera la baseline classica ottimizzata, ma con una differenza geometrica troppo piccola per attestare che il vantaggio sia quantistico. I kernel proiettati raggiungono differenze geometriche molto maggiori; quello selezionato sulla frontiera di Pareto supera la baseline solo marginalmente (AUC $0.782$ contro $0.765$, $g_{C\to Q}\approx 89>\sqrt{N}$ rispetto a quel kernel di riferimento), rimanendo comunque al di sotto del kernel di fedeltà selezionato con l’NPD ($0.840$).