A evolução das ameaças cibernéticas exige sistemas de detecção de ataques eficientes e precisos, mas a escassez de dados rotulados limita o uso de modelos supervisionados convencionais. Este artigo propõe a Rede Generativa Adversarial Quântica Semi-Supervisionada (sQGAN) para detecção de ataques, que combina aprendizado semi-supervisionado com arquiteturas adversárias quânticas, aproveitando dados rotulados e não rotulados para melhorar a detecção em cenários de dados escassos. As principais contribuições incluem (1) uma arquitetura quântica semi-supervisionada eficaz com poucos dados rotulados, (2) integração de redes geradoras e discriminativas quânticas para aprimorar a detecção de ataques e (3) um estudo experimental comparando o desempenho da sQGAN com arquiteturas quânticas. Os resultados mostram que a sQGAN oferece F1 score signficativo e robustez para detecção de ataques em condições adversas de rotulagem.