論文の概要: Quantum Heterogeneous Distributed Deep Learning Architectures: Models,
Discussions, and Applications
- arxiv url: http://arxiv.org/abs/2202.11200v1
- Date: Sat, 19 Feb 2022 12:59:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-24 15:57:08.046747
- Title: Quantum Heterogeneous Distributed Deep Learning Architectures: Models,
Discussions, and Applications
- Title（参考訳）: 量子不均一な分散ディープラーニングアーキテクチャ:モデル、議論、応用
- Authors: Yunseok Kwak, Won Joon Yun, Jae Pyoung Kim, Hyunhee Cho, Minseok Choi,
Soyi Jung, Joongheon Kim
- Abstract要約: 量子深層学習(QDL)と分散深層学習(DDL)は、既存の深層学習を補完するために出現している。
QDLは、ローカルデバイスやサーバ上のディープラーニング計算を量子ディープラーニングに置き換えることで、計算上の利益を得る。
サーバとクライアント間の量子セキュアな通信プロトコルを使用することで、データセキュリティを向上させることができる。
- 参考スコア（独自算出の注目度）: 13.241451755566365
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deep learning (DL) has already become a state-of-the-art technology for
various data processing tasks. However, data security and computational
overload problems frequently occur due to their high data and computational
power dependence. To solve this problem, quantum deep learning (QDL) and
distributed deep learning (DDL) are emerging to complement existing DL methods
by reducing computational overhead and strengthening data security.
Furthermore, a quantum distributed deep learning (QDDL) technique that combines
these advantages and maximizes them is in the spotlight. QDL takes
computational gains by replacing deep learning computations on local devices
and servers with quantum deep learning. On the other hand, besides the
advantages of the existing distributed learning structure, it can increase data
security by using a quantum secure communication protocol between the server
and the client. Although many attempts have been made to confirm and
demonstrate these various possibilities, QDDL research is still in its infancy.
This paper discusses the model structure studied so far and its possibilities
and limitations to introduce and promote these studies. It also discusses the
areas of applied research so far and in the future and the possibilities of new
methodologies.
- Abstract（参考訳）: ディープラーニング(DL)はすでに、さまざまなデータ処理タスクのための最先端技術になっている。
しかし、データセキュリティと計算負荷の問題は、高いデータと計算能力に依存するため頻繁に発生する。
この問題を解決するために、量子ディープラーニング(QDL)と分散ディープラーニング(DDL)が登場し、計算オーバーヘッドを減らし、データセキュリティを強化して既存のDLメソッドを補完している。
さらに、これらの利点を組み合わせて最大化する量子分散ディープラーニング(QDDL)技術が注目されている。
QDLは、ローカルデバイスやサーバ上のディープラーニング計算を量子ディープラーニングに置き換えることで、計算上の利益を得る。
一方,既存の分散学習構造の利点に加えて,サーバとクライアント間の量子セキュア通信プロトコルを利用することで,データセキュリティを向上させることができる。
様々な可能性を確認するために多くの試みがなされているが、QDDLの研究はまだ初期段階である。
本稿では,これまで研究されてきたモデル構造とその導入と促進の限界について論じる。
また、これまでの応用研究の分野と今後の課題、新しい方法論の可能性についても論じている。
関連論文リスト
- Swarm Learning: A Survey of Concepts, Applications, and Trends [3.55026004901472]
ディープラーニングモデルは、中央サーバ上の大規模なデータセットに依存しているため、プライバシとセキュリティの懸念を高めている。
Federated Learning (FL)は、汎用的で大規模な機械学習フレームワークを構築するための新しいアプローチを導入した。
Swarm Learning (SL) は Hewlett Packard Enterprise (HPE) と共同で提案されている。
SLは、セキュアでスケーラブルでプライベートなデータ管理にブロックチェーン技術を活用する、分散機械学習フレームワークである。
論文 参考訳（メタデータ） (2024-05-01T14:59:24Z) - Federated Fine-Tuning of LLMs on the Very Edge: The Good, the Bad, the Ugly [62.473245910234304]
本稿では,最新のエッジコンピューティングシステムにおいて,Large Language Modelsをどのように導入できるかを,ハードウェア中心のアプローチで検討する。
マイクロレベルのハードウェアベンチマークを行い、FLOPモデルと最先端のデータセンターGPUを比較し、現実的な条件下でのネットワーク利用について検討する。
論文 参考訳（メタデータ） (2023-10-04T20:27:20Z) - 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) - Towards a Better Theoretical Understanding of Independent Subnetwork Training [56.24689348875711]
独立サブネットワークトレーニング(IST)の理論的考察
ISTは、上記の問題を解決するための、最近提案され、非常に効果的である。
圧縮通信を用いた分散手法など,ISTと代替手法の基本的な違いを同定する。
論文 参考訳（メタデータ） (2023-06-28T18:14:22Z) - Quantum Federated Learning for Distributed Quantum Networks [9.766446130011706]
本稿では,量子力学の興味深い特徴を利用した分散量子ネットワークのための量子フェデレーション学習を提案する。
分散量子ネットワーク内のクライアントがローカルモデルをトレーニングするのを助けるために、量子勾配降下アルゴリズムが提供される。
量子セキュアなマルチパーティ計算プロトコルを設計し,中国の残差定理を用いた。
論文 参考訳（メタデータ） (2022-12-25T14:37:23Z) - 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) - Towards Quantum-Enabled 6G Slicing [0.5156484100374059]
量子機械学習(QML)パラダイムとそのネットワークスライシングとの相乗効果は破壊的な技術であると想定できる。
量子深層学習(QDRL)に基づくクラウドベースの連合学習フレームワークを提案する。
具体的には、古典的深部強化学習(DRL)アルゴリズムを変分量子回路(VQC)に再成形し、スライス資源の最適協調制御を得る。
論文 参考訳（メタデータ） (2022-10-21T07:16:06Z) - Deep Transfer Learning with Ridge Regression [7.843067454030999]
大量のデータで訓練されたディープモデルは、関連するドメインから見えないデータに対して有望な一般化能力を示す。
我々は、深層ニューラルネットワーク(DNN)から生成された学習特徴ベクトルの低ランク性と、カーネルリッジ回帰(KRR)で提供されるクローズドフォームソリューションを活用することで、この問題に対処する。
本手法は、教師あり半教師ありのトランスファー学習タスクにおいて成功している。
論文 参考訳（メタデータ） (2020-06-11T20:21:35Z) - A Privacy-Preserving Distributed Architecture for
Deep-Learning-as-a-Service [68.84245063902908]
本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。
クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
論文 参考訳（メタデータ） (2020-03-30T15:12:03Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-02-22T14:38:11Z)
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。