Quantum Anomaly Detection in network traffic using Variational Quantum Classifiers
Diese Studie evaluiert vier Architekturen eines Variational Quantum Classifier für die Anomalieerkennung im Netzwerkverkehr und stellt fest, dass diese zwar Entscheidungsgrenzen erlernen können, derzeit jedoch im Vergleich zu klassischen Modellen wie Support Vector Machines und Random Forests auf synthetischen Daten unterperformen, was darauf hindeutet, dass ihr potenzieller Nutzen in zukünftigen Anwendungen bei verrauschteren, höherdimensionalen Problemen liegt.