電子プレプリントリポジトリ arXiv cs.CRは10月23日(現地時間)、サイバーセキュリティ分野の侵入検知システムに関する研究論文を公開しました。本研究は、古典的機械学習（ML）モデルと量子MLモデルの性能を複数データセットで比較ベンチマークし、前処理、特徴量選択戦略、量子エンコーディングスキームがモデル性能に与える影響を詳細に分析しています。
学術誌arXiv cs.CRに掲載された研究論文『Benchmarking Classical and Quantum Machine Learning for Intrusion Detection Across Multiple Datasets』は、侵入検知を目的とした機械学習モデルの比較評価に焦点を当てています。
比較対象には、サポートベクターマシン (SVM) やランダムフォレスト (Random Forest) といった古典的MLモデルに加え、量子サポートベクターマシン (QSVM) やペガソス量子SVM (Pegasos Quantum SVM) などの量子MLモデルが含まれます。
評価には、NSL-KDD、UNSW-NB15、MQTTEEB-D2025という三つの異なるデータセットが用いられました。研究では、正規化、クラス不均衡処理、次元削減といった一般的な前処理に加え、ランダムフォレスト重要度 (Random Forest importance) と量子カーネルアライメントと相互情報量 (QKA-MI) の二つの特徴量選択手法をカバーする単一の統合パイプラインを適用しています。この分析は、前処理の決定、特徴量選択戦略、および量子エンコーディングスキームが、ノイズと複雑さの異なるデータセットにおけるモデル性能をどのように形成するかに注目しています。
研究の結果、古典モデルは三つのデータセット全てで一貫した性能を示しました。一方で、量子モデルは特徴量表現とカーネルアライメントに強く依存する傾向が見られました。特に、量子対応の特徴量選択手法は、クリーンなデータセットにおいて量子モデルの性能を顕著に向上させたものの、異種トラフィック（heterogeneous traffic）の検知においては依然として課題があることが指摘されています。また、ペガソス量子SVMは、精度と計算コストの間で良好なバランスを提供し、実用的な量子侵入検知システムにおいて前処理のアライメントが果たす役割の重要性が強調されました。
本論文は、2026年にイタリアのローマで開催された第6回国際電気・コンピューター・エネルギー技術会議 (ICECET) で発表された論文の採択原稿です。
参考: arXiv cs.CR (アーカイブ) — 2026年10月27日 13:00 (JST)