物联网网络异常检测的量子联邦自编码器建模
Modeling Quantum Federated Autoencoder for Anomaly Detection in IoT Networks
AI总结：
本文提出一种利用量子联邦学习进行高效安全分布式处理的量子联邦自编码器，用于物联网网络异常检测，通过量子自编码器实现高维特征表示，提升检测灵敏度。
摘要：
我们提出了一种用于异常检测的量子联邦自编码器，该框架利用量子联邦学习在物联网网络中实现高效、安全和分布式处理。通过利用量子自编码器进行高维特征表示和联邦学习进行去中心化模型训练，该方法在边缘设备上实现本地化学习，无需传输原始数据，从而保护隐私并减少通信开销。模型利用量子优势在模式识别中的能力，增强检测灵敏度，特别是在复杂动态的物联网网络流量中。在真实物联网数据集上的实验表明，所提方法在异常检测准确性和鲁棒性方面与集中化方法相当，同时确保数据隐私。
英文摘要：
We propose a Quantum Federated Autoencoder for Anomaly Detection, a framework that leverages quantum federated learning for efficient, secure, and distributed processing in IoT networks. By harnessing quantum autoencoders for high-dimensional feature representation and federated learning for decentralized model training, the approach transforms localized learning on edge devices without requiring transmission of raw data, thereby preserving privacy and minimizing communication overhead. The model leverages quantum advantage in pattern recognition to enhance detection sensitivity, particularly in complex and dynamic IoT network traffic. Experiments on a real-world IoT dataset show that the proposed method delivers anomaly detection accuracy and robustness comparable to centralized approaches, while ensuring data privacy.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
