論文の概要: Slimmable Quantum Federated Learning

• arxiv url: http://arxiv.org/abs/2207.10221v1
• Date: Wed, 20 Jul 2022 22:39:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-22 13:42:31.249975
• Title: Slimmable Quantum Federated Learning
• Title（参考訳）: スリム化可能な量子フェデレート学習
• Authors: Won Joon Yun, Jae Pyoung Kim, Soyi Jung, Jihong Park, Mehdi Bennis, and Joongheon Kim
• Abstract要約: 量子ニューラルネットワーク(QNN)を連合学習(FL)に統合する量子連合学習(QFL)が最近注目を集めている。 本稿では,時変通信チャネルや計算エネルギー制限に対処可能な動的QFLフレームワークであるスリムブルQFL(SlimQFL)を提案する。 シミュレーションの結果、SlimQFLはVanilla QFLよりも高い分類精度を達成している。
• 参考スコア（独自算出の注目度）: 44.89303833148191
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Quantum federated learning (QFL) has recently received increasing attention, where quantum neural networks (QNNs) are integrated into federated learning (FL). In contrast to the existing static QFL methods, we propose slimmable QFL (SlimQFL) in this article, which is a dynamic QFL framework that can cope with time-varying communication channels and computing energy limitations. This is made viable by leveraging the unique nature of a QNN where its angle parameters and pole parameters can be separately trained and dynamically exploited. Simulation results corroborate that SlimQFL achieves higher classification accuracy than Vanilla QFL, particularly under poor channel conditions on average.
• Abstract（参考訳）: 量子連合学習(QFL)は近年注目を集めており、量子ニューラルネットワーク(QNN)を連合学習(FL)に統合している。 本稿では,従来の静的QFL法とは対照的に,時変通信チャネルや計算エネルギー制限に対処可能な動的QFLフレームワークであるスリムブルQFL(SlimQFL)を提案する。 これは、その角度パラメータと極パラメータを個別にトレーニングし、動的に活用できるQNNのユニークな性質を活用することで実現される。 シミュレーションの結果、slimqflはバニラqflよりも高い分類精度を達成し、特にチャネル状態の悪い状況下では平均的に高い。

関連論文リスト

• Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
  量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。 関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。 量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-21T21:40:47Z)
• Foundations of Quantum Federated Learning Over Classical and Quantum Networks [59.121263013213756]
  量子フェデレーション学習(QFL)は、古典的フェデレーション学習(FL)の利点と量子技術の計算能力を統合する新しいフレームワークである。 QFLは古典的通信網と量子的通信網の両方に展開できる。
  論文  参考訳（メタデータ） (2023-10-23T02:56:00Z)
• Optimizing Quantum Federated Learning Based on Federated Quantum Natural Gradient Descent [17.05322956052278]
  本稿では、FQNGD(Federated Quantum Natural descent)という効率的な最適化アルゴリズムを提案する。 アダムやアダグラードのような勾配降下法と比較して、FQNGDアルゴリズムは収束するQFLのトレーニングをはるかに少なくする。 手書き桁分類データセットの実験は、QFLフレームワークにおけるFQNGDの有効性を正当化するものである。
  論文  参考訳（メタデータ） (2023-02-27T11:34:16Z)
• 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)
• Quantum Federated Learning with Entanglement Controlled Circuits and Superposition Coding [44.89303833148191]
  我々は、絡み合ったスリム化可能な量子ニューラルネットワーク(eSQNN)の深さ制御可能なアーキテクチャを開発する。 本稿では,eS-QNNの重畳符号化パラメータを通信する絡み合ったスリム化QFL(eSQFL)を提案する。 画像分類タスクでは、広範囲なシミュレーションがeSQFLの有効性を裏付ける。
  論文  参考訳（メタデータ） (2022-12-04T03:18:03Z)
• Federated Quantum Natural Gradient Descent for Quantum Federated Learning [7.028664795605032]
  本研究では,FQNGD(Federated quantum natural gradient descent)という,効率的な学習アルゴリズムを提案する。 FQNGDアルゴリズムは、収束するQFLモデルのトレーニングイテレーションをはるかに少なくする。 他のフェデレーション学習アルゴリズムと比較して、手書き桁分類データセットの実験は、QFLに対するFQNGDアルゴリズムの有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2022-08-15T07:17:11Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)

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。