論文の概要: Quantum machine learning with differential privacy
- arxiv url: http://arxiv.org/abs/2103.06232v1
- Date: Wed, 10 Mar 2021 18:06:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-11 15:01:30.425112
- Title: Quantum machine learning with differential privacy
- Title（参考訳）: 差分プライバシーを用いた量子機械学習
- Authors: William M Watkins, Samuel Yen-Chi Chen, Shinjae Yoo
- Abstract要約: 微分プライベート最適化アルゴリズムを用いて,プライバシ保存を訓練したハイブリッド量子古典モデルを開発した。
実験では、差分プライベートQMLは、モデル精度を低下させることなく、ユーザに敏感な情報を保護することができる。
- 参考スコア（独自算出の注目度）: 3.2442879131520126
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum machine learning (QML) can complement the growing trend of using
learned models for a myriad of classification tasks, from image recognition to
natural speech processing. A quantum advantage arises due to the intractability
of quantum operations on a classical computer. Many datasets used in machine
learning are crowd sourced or contain some private information. To the best of
our knowledge, no current QML models are equipped with privacy-preserving
features, which raises concerns as it is paramount that models do not expose
sensitive information. Thus, privacy-preserving algorithms need to be
implemented with QML. One solution is to make the machine learning algorithm
differentially private, meaning the effect of a single data point on the
training dataset is minimized. Differentially private machine learning models
have been investigated, but differential privacy has yet to be studied in the
context of QML. In this study, we develop a hybrid quantum-classical model that
is trained to preserve privacy using differentially private optimization
algorithm. This marks the first proof-of-principle demonstration of
privacy-preserving QML. The experiments demonstrate that differentially private
QML can protect user-sensitive information without diminishing model accuracy.
Although the quantum model is simulated and tested on a classical computer, it
demonstrates potential to be efficiently implemented on near-term quantum
devices (noisy intermediate-scale quantum [NISQ]). The approach's success is
illustrated via the classification of spatially classed two-dimensional
datasets and a binary MNIST classification. This implementation of
privacy-preserving QML will ensure confidentiality and accurate learning on
NISQ technology.
- Abstract（参考訳）: 量子機械学習(QML)は、画像認識から自然音声処理まで、さまざまな分類タスクに学習モデルを使用する傾向を補完することができます。
量子的な利点は、古典的コンピュータ上での量子演算の難解性によって生じる。
機械学習で使用される多くのデータセットはクラウドソースまたはプライベート情報を含んでいる。
私たちの知る限りでは、現在のQMLモデルにはプライバシー保護機能が装備されていない。
したがって、プライバシ保護アルゴリズムはQMLで実装する必要がある。
1つの解決策は、機械学習アルゴリズムを個別にプライベートにすることで、トレーニングデータセットに対する単一のデータポイントの影響を最小限に抑えることである。
異なるプライベート機械学習モデルが調査されているが、QMLの文脈では差分プライバシーはまだ研究されていない。
本研究では,微分プライベート最適化アルゴリズムを用いて,プライバシの保護を訓練したハイブリッド量子古典モデルを開発した。
プライバシー保護QMLの実証実験はこれが初めてである。
実験により,QMLはモデル精度を低下させることなく,ユーザの感応情報を保護できることが実証された。
量子モデルは古典的なコンピュータ上でシミュレートされテストされるが、近未来の量子デバイス(ノイズのある中間スケール量子[NISQ])に効率的に実装される可能性を示す。
このアプローチの成功は、空間的に分類された2次元データセットとバイナリMNIST分類の分類によって示される。
このプライバシー保護QMLの実装は、NISQテクノロジの機密性と正確な学習を保証します。
関連論文リスト
- Personalized Quantum Federated Learning for Privacy Image Classification [52.04404538764307]
画像の不均衡な分布の場合のクライアントモデルの性格を高めるために、パーソナライズされた量子フェデレーション学習アルゴリズムを提案する。
実験結果から,パーソナライズされた量子フェデレーション学習アルゴリズムは,高性能なグローバルモデルとローカルモデルを得ることができることが示された。
論文 参考訳（メタデータ） (2024-10-03T14:53:04Z) - RQP-SGD: Differential Private Machine Learning through Noisy SGD and
Randomized Quantization [8.04975023021212]
我々は、機械学習モデルをトレーニングするためのプライバシー保護量子化の新しいアプローチであるRQP-SGDを提案する。
このアプローチは、微分プライベートな勾配降下とランダムな量子化を組み合わせることで、測定可能なプライバシー保証を提供する。
論文 参考訳（メタデータ） (2024-02-09T18:34:08Z) - Quantum-Assisted Simulation: A Framework for Developing Machine Learning Models in Quantum Computing [0.0]
本稿では、量子コンピューティングの歴史を調査し、既存のQMLアルゴリズムを検証し、QMLアルゴリズムのシミュレーションを作成するための簡易な手順を提案する。
従来の機械学習と量子機械学習の両方のアプローチを用いて、データセット上でシミュレーションを行う。
論文 参考訳（メタデータ） (2023-11-17T07:33:42Z) - Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms [65.268245109828]
我々はカーンズのSQオラクルとヴァリアントの弱い評価オラクルからインスピレーションを得ます。
評価クエリから学習するための非条件の下限を出力する,広範かつ直感的なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-26T18:23:21Z) - Federated Quantum Machine Learning with Differential Privacy [9.755412365451985]
本研究では,キャッツ対ドッグスデータセットのバイナリ分類を行うことにより,プライバシー保護手法の実装に成功した。
本研究では,NISQデバイス上での量子機械学習において,フェデレーション付き差分プライベートトレーニングが有効なプライバシ保護手法であることを示す。
論文 参考訳（メタデータ） (2023-10-10T19:52:37Z) - QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。
量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。
4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
論文 参考訳（メタデータ） (2023-08-25T15:08:19Z) - ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。
ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。
量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文 参考訳（メタデータ） (2023-08-22T09:11:53Z) - TeD-Q: a tensor network enhanced distributed hybrid quantum machine
learning framework [59.07246314484875]
TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。
古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。
量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
論文 参考訳（メタデータ） (2023-01-13T09:35:05Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳（メタデータ） (2022-11-23T18:25:32Z) - Study of Feature Importance for Quantum Machine Learning Models [0.0]
予測器の重要性は、古典的および量子機械学習(QML)におけるデータ前処理パイプラインの重要な部分である
この研究は、QMLモデルの特徴的重要性を探求し、彼らの古典的機械学習(CML)と対比した最初の研究である。
我々はQMLモデルを訓練し、実世界のデータセット上で古典的アルゴリズムから特徴的重要度を計算するハイブリッド量子古典的アーキテクチャを開発した。
論文 参考訳（メタデータ） (2022-02-18T15:21:47Z) - Entangled Datasets for Quantum Machine Learning [0.0]
代わりに量子状態からなる量子データセットを使うべきだと我々は主張する。
NTangledデータセットの状態を生成するために量子ニューラルネットワークをどのように訓練するかを示す。
また、拡張性があり、量子回路によって準備された状態で構成される、別の絡み合いベースのデータセットについても検討する。
論文 参考訳（メタデータ） (2021-09-08T02:20:13Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。