全量子扩散模型生成恶意软件记录

研究者 Ban Q. Tran 等人提出一种全量子潜在扩散模型，用含一次中途测量的参数化电路对操作码序列的振幅编码潜在向量去噪，不依赖经典神经层。在 17 个恶意软件家族、10 个随机种子上，该模型将去噪失真度降低 63%，但用其合成记录训练的分类器在真实记录上宏 F1 仅 0.11，低于同规模经典扩散模型的 0.44，也远低于完美生成器的 0.61。 研究称，后选择采样只接受 3.0×10⁻⁷ 的运行；若加入训练惩罚把接受率提高到 0.14，大部分去噪效果会消失。研究还称，没有合成记录复制训练记录，平滑解码长度可使基于长度的成员推断测试 AUC 从 0.80 降至 0.51，差分隐私长度直方图能以形式化保证达到同等水平。

AI 根据报道生成 · 3 小时前更新