本論文は、量子機械学習（QML）モデルに対する敵対的な攻撃からセキュリティを強化するための方法で、量子ノイズチャネルと差別的プライバシー（DP）との間の関係を解明する。研究者らは、本質的にε-DPである$(\alpha, \gamma)$-チャネルというノイズチャネル集合を構成してこの関係を提示する。これにより、脱分極およびランダム回転チャネルで観察されたε-DP境界を首尾よく複製し、フレームワークの一般性を確認した。また、半正のプログラムを用いて最適に堅牢なチャンネルを構成し、小規模実験評価により、脱分極ノイズよりも最適なノイズチャンネルを使用することが、敵対的な精度向上に有用であることを示した。最後に、変数αとγが認証可能な堅牢性に与える影響と、異なる符号化方法が分類器の堅牢性に及ぼす影響を評価した。
