論文の概要: Quantum Private Distributed Learning Through Blind Quantum Computing
- arxiv url: http://arxiv.org/abs/2103.08403v1
- Date: Mon, 15 Mar 2021 14:26:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-16 13:43:48.290825
- Title: Quantum Private Distributed Learning Through Blind Quantum Computing
- Title（参考訳）: Blind Quantum Computingによる量子プライベート分散学習
- Authors: Weikang Li, Sirui Lu, Dong-Ling Deng
- Abstract要約: 本稿では,プライベートデータを安全に保持しつつ,リモート量子サーバの計算能力を活用できる分散学習のための量子プロトコルを提案する。
私たちのプロトコルは実験的な欠陥に対して堅牢であり、差分プライバシーを組み込んだ後の勾配攻撃下で安全です。
- 参考スコア（独自算出の注目度）: 2.081930455526026
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Private distributed learning studies the problem of how multiple distributed
entities collaboratively train a shared deep network with their private data
unrevealed. With the security provided by the protocols of blind quantum
computation, the cooperation between quantum physics and machine learning may
lead to unparalleled prospect for solving private distributed learning tasks.
In this paper, we introduce a quantum protocol for distributed learning that is
able to utilize the computational power of the remote quantum servers while
keeping the private data safe. For concreteness, we first introduce a protocol
for private single-party delegated training of variational quantum classifiers
based on blind quantum computing and then extend this protocol to multiparty
private distributed learning incorporated with differential privacy. We carry
out extensive numerical simulations with different real-life datasets and
encoding strategies to benchmark the effectiveness of our protocol. We find
that our protocol is robust to experimental imperfections and is secure under
the gradient attack after the incorporation of differential privacy. Our
results show the potential for handling computationally expensive distributed
learning tasks with privacy guarantees, thus providing a valuable guide for
exploring quantum advantages from the security perspective in the field of
machine learning with real-life applications.
- Abstract（参考訳）: プライベート分散学習(private distributed learning)は、複数の分散エンティティが共有ディープネットワークとプライベートデータとを協調的にトレーニングする方法の問題を研究する。
ブラインド量子計算のプロトコルによって提供されるセキュリティにより、量子物理学と機械学習の協力は、プライベート分散学習タスクを解くための例外のない見通しをもたらす可能性がある。
本稿では,プライベートデータを安全に保ちつつ,リモート量子サーバの計算能力を利用することができる分散学習用量子プロトコルを提案する。
具体的には、まず、盲目量子コンピューティングに基づく変分量子分類器のプライベートな単一パーティデリゲートトレーニングのためのプロトコルを導入し、そのプロトコルを差分プライバシーを組み込んだマルチパーティ分散学習に拡張する。
実生活の異なるデータセットを用いて広範な数値シミュレーションを行い,提案プロトコルの有効性をベンチマークする。
私たちのプロトコルは実験的な欠陥に対して堅牢であり、差分プライバシーを組み込んだ後の勾配攻撃下で安全です。
その結果、計算上高価な分散学習タスクをプライバシ保証で処理する可能性を示し、現実のアプリケーションで機械学習の分野におけるセキュリティの観点から量子の利点を探究する貴重なガイドを提供します。
関連論文リスト
- Experimental Secure Multiparty Computation from Quantum Oblivious Transfer with Bit Commitment [13.244842672008811]
不安定な転送をプリミティブ関数として使用することで、セキュアなマルチパーティ計算を実現することができる。
本稿では,量子セキュアな量子オブリバスト転送プロトコルの実験的実装について述べる。
実験では、2つの銀行が、他のデータを公開することなく、一般的な不審なアカウントを特定できる。
論文 参考訳（メタデータ） (2024-11-07T09:29:12Z) - Quantum delegated and federated learning via quantum homomorphic encryption [0.5939164722752263]
本稿では,量子デリゲート型およびフェデレート型学習を無理論データプライバシ保証で実現可能な汎用フレームワークを提案する。
この枠組みの下での学習と推論は、盲点量子コンピューティングに基づくスキームに比べて通信の複雑さが著しく低いことが示される。
論文 参考訳（メタデータ） (2024-09-28T14:13:50Z) - Separable Power of Classical and Quantum Learning Protocols Through the Lens of No-Free-Lunch Theorem [70.42372213666553]
No-Free-Lunch(NFL)定理は、最適化プロセスに関係なく問題とデータ非依存の一般化誤差を定量化する。
我々は、様々な量子学習アルゴリズムを、特定の観測可能条件下で量子力学を学習するために設計された3つの学習プロトコルに分類する。
得られたNFL定理は, CLC-LP, ReQu-LP, Qu-LPにまたがるサンプルの複雑性を2次的に低減することを示した。
この性能差は、非直交量子状態のグローバル位相に関する情報を間接的に活用するために、量子関連学習プロトコルのユニークな能力に起因している。
論文 参考訳（メタデータ） (2024-05-12T09:05:13Z) - Guarantees on the structure of experimental quantum networks [109.08741987555818]
量子ネットワークは、セキュアな通信、ネットワーク量子コンピューティング、分散センシングのためのマルチパーティ量子リソースと多数のノードを接続し、供給する。
これらのネットワークのサイズが大きくなるにつれて、認証ツールはそれらの特性に関する質問に答える必要がある。
本稿では,ある量子ネットワークにおいて特定の相関が生成できないことを保証するための一般的な方法を示す。
論文 参考訳（メタデータ） (2024-03-04T19:00:00Z) - Neural auto-designer for enhanced quantum kernels [59.616404192966016]
本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。
私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
論文 参考訳（メタデータ） (2024-01-20T03:11:59Z) - Privacy-preserving quantum federated learning via gradient hiding [5.543544712471747]
本稿では,プライバシ問題に対処するために,量子通信を用いた革新的な量子プロトコルを提案する。
表現的変動量子回路や差分プライバシー技術を利用する従来の研究とは対照的に、量子状態を用いた勾配情報隠蔽を考える。
本稿では,個人内積推定と漸進学習に基づく2つのFLプロトコルを提案する。
論文 参考訳（メタデータ） (2023-12-07T17:16:30Z) - Blind quantum machine learning with quantum bipartite correlator [13.533591812956018]
本稿では,量子二部相関アルゴリズムに基づく新しい盲点量子機械学習プロトコルを提案する。
当社のプロトコルは、信頼できない関係者からのデータのプライバシーを維持しながら、通信オーバーヘッドを減らした。
論文 参考訳（メタデータ） (2023-10-19T16:42:32Z) - 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) - 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) - Distributed Quantum Machine Learning [0.0]
量子コンピュータは、測定が量子状態を破壊するため、データ固有のセキュリティを提供する。
本稿では,複数のパーティが協調して量子アルゴリズムを安全に計算できる分散量子機械学習のアプローチを提案する。
論文 参考訳（メタデータ） (2022-08-22T13:52:21Z) - Statistical Limits of Supervised Quantum Learning [90.0289160657379]
精度の制約を考慮すると、教師付き学習のための量子機械学習アルゴリズムは入力次元における多対数ランタイムを達成できないことを示す。
より効率的な古典的アルゴリズムよりも、教師あり学習のための量子機械学習アルゴリズムの方が、ほとんどの場合スピードアップできると結論付けている。
論文 参考訳（メタデータ） (2020-01-28T17:35:32Z)
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。