Quantum Genetic Optimization for Negative Selection Algorithms in Anomaly Detection
Несмотря на широкое применение алгоритмов негативной селекции в задачах обнаружения аномалий, эффективность их работы часто ограничивается сложностью генерации детекторов. В статье ‘Quantum Genetic Optimization for Negative Selection Algorithms in Anomaly Detection’ представлен новый подход — квантический генетический алгоритм негативной селекции (QGNSA), объединяющий принципы квантовых вычислений и искусственной иммунной системы. QGNSA, заменяя классический этап оптимизации квантовым генетическим алгоритмом, демонстрирует улучшенную точность обнаружения аномалий на финансовом наборе данных Metaverse при сохранении устойчивости к различным гиперпараметрам. Возможно ли дальнейшее повышение эффективности QGNSA за счет оптимизации квантовых схем и использования гибридных квантово-классических подходов?
![Предлагаемая методология включает в себя определение среды навигации, рассмотрение различных архитектур обучения, с [latex]QSNN[/latex] в качестве центральной квантово-улучшенной модели, последующий независимый отбор гиперпараметров посредством сетчачного поиска и преобразование каждой обученной политики в явную [latex]Q[/latex]-таблицу для детерминированного жадного вывода, а итоговая оценка проводится на ранее не встречавшихся средах различного размера с использованием показателей успешности, длины пути, взвешенной длины пути и частоты поворотов.](https://arxiv.org/html/2605.20801v1/x1.png)
![На основе анализа остаточных энергий для модели SK с [latex]N=100[/latex] и [latex]N=200[/latex], исследование демонстрирует способность предложенного подхода (NQA с RBQS/DBQS анзацем) успешно решать все экземпляры спиновой модели с [latex]N=100[/latex] и большинство ([latex]7[/latex] из [latex]10[/latex]) экземпляров с [latex]N=200[/latex], что указывает на эффективность метода в решении сложных задач спинового стекла.](https://arxiv.org/html/2605.15899v1/x3.png)