論文の概要: Federated Quantum Machine Learning

• arxiv url: http://arxiv.org/abs/2103.12010v1
• Date: Mon, 22 Mar 2021 17:00:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-23 14:43:17.497853
• Title: Federated Quantum Machine Learning
• Title（参考訳）: フェデレーション量子機械学習
• Authors: Samuel Yen-Chi Chen, Shinjae Yoo
• Abstract要約: 本稿では,ハイブリッド量子古典機械学習モデルにおける連合学習について述べる。 量子ニューラルネットワーク(QNN)と古典的事前学習畳み込みモデルについて考察する。 分散フェデレーション学習方式では,トレーニングモデルの精度がほぼ同じであり,分散トレーニングも大幅に向上した。
• 参考スコア（独自算出の注目度）: 3.8326963933937894
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Distributed training across several quantum computers could significantly improve the training time and if we could share the learned model, not the data, it could potentially improve the data privacy as the training would happen where the data is located. However, to the best of our knowledge, no work has been done in quantum machine learning (QML) in federation setting yet. In this work, we present the federated training on hybrid quantum-classical machine learning models although our framework could be generalized to pure quantum machine learning model. Specifically, we consider the quantum neural network (QNN) coupled with classical pre-trained convolutional model. Our distributed federated learning scheme demonstrated almost the same level of trained model accuracies and yet significantly faster distributed training. It demonstrates a promising future research direction for scaling and privacy aspects.
• Abstract（参考訳）: 複数の量子コンピュータにまたがる分散トレーニングは、トレーニング時間を大幅に改善し、データではなく学習モデルを共有できれば、データの位置でトレーニングが行われるため、データのプライバシが向上する可能性があります。 しかしながら、私たちの知る限りでは、フェデレーション設定における量子機械学習(QML)の研究はまだ行われていない。 本稿では,ハイブリッド量子古典的機械学習モデルの連合学習について述べるが,その枠組みは純粋量子機械学習モデルに一般化できる。 具体的には、量子ニューラルネットワーク(QNN)と古典的事前学習畳み込みモデルについて考察する。 分散フェデレーション学習方式では,トレーニングモデルの精度がほぼ同じであり,分散トレーニングも大幅に向上した。 これは、スケーリングとプライバシーに関する将来的な研究の方向性を示すものだ。

関連論文リスト

• 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)
• Shadows of quantum machine learning [2.236957801565796]
  トレーニング中にのみ量子リソースを必要とする量子モデルの新たなクラスを導入し、トレーニングされたモデルの展開は古典的である。 このモデルのクラスは古典的に展開された量子機械学習において普遍的であることを証明している。
  論文  参考訳（メタデータ） (2023-05-31T18:00:02Z)
• 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)
• 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)
• Comparing concepts of quantum and classical neural network models for image classification task [0.456877715768796]
  本資料は、ハイブリッド量子古典ニューラルネットワークのトレーニングと性能に関する実験結果を含む。 シミュレーションは時間を要するが、量子ネットワークは時間を要するが、古典的なネットワークを克服する。
  論文  参考訳（メタデータ） (2021-08-19T18:49:30Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• QuantumFed: A Federated Learning Framework for Collaborative Quantum Training [10.635097939284751]
  本稿では,複数の量子ノードを持つ量子連合学習フレームワークであるQuantumFedを提案する。 我々の実験は、我々のフレームワークの実現可能性と堅牢性を示している。
  論文  参考訳（メタデータ） (2021-06-16T20:28:11Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)
• Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
  グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。 この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。 我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
  論文  参考訳（メタデータ） (2020-01-15T18:36:53Z)

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。