論文の概要: Federated Quantum Natural Gradient Descent for Quantum Federated Learning

• arxiv url: http://arxiv.org/abs/2209.00564v1
• Date: Mon, 15 Aug 2022 07:17:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-04 02:13:25.478733
• Title: Federated Quantum Natural Gradient Descent for Quantum Federated Learning
• Title（参考訳）: 量子フェデレート学習のためのFederated Quantum Natural Gradient Descent
• Authors: Jun Qi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.028664795605032
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The heart of Quantum Federated Learning (QFL) is associated with a distributed learning architecture across several local quantum devices and a more efficient training algorithm for the QFL is expected to minimize the communication overhead among different quantum participants. In this work, we put forth an efficient learning algorithm, namely federated quantum natural gradient descent (FQNGD), applied in a QFL framework which consists of the variational quantum circuit (VQC)-based quantum neural networks (QNN). The FQNGD algorithm admits much fewer training iterations for the QFL model to get converged and it can significantly reduce the total communication cost among local quantum devices. Compared with other federated learning algorithms, our experiments on a handwritten digit classification dataset corroborate the effectiveness of the FQNGD algorithm for the QFL in terms of a faster convergence rate on the training dataset and higher accuracy on the test one.
• Abstract（参考訳）: qfl(quantum federated learning)の中心は、複数のローカル量子デバイスにまたがる分散学習アーキテクチャと関連しており、qflのより効率的なトレーニングアルゴリズムは、異なる量子参加者間の通信オーバーヘッドを最小化することが期待されている。 本研究では,変分量子回路(VQC)に基づく量子ニューラルネットワーク(QNN)からなるQFLフレームワークに適用した,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、QFLモデルが収束するためのトレーニングイテレーションをはるかに少なくし、局所量子デバイス間の通信コストを大幅に削減することができる。 他のフェデレーション学習アルゴリズムと比較して、手書きの桁分類データセットを用いた実験は、トレーニングデータセットの高速収束率とテストデータセットの高精度化の観点から、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。

関連論文リスト

• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• 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)
• Learning To Optimize Quantum Neural Network Without Gradients [3.9848482919377006]
  本稿では,量子回路のパラメータを出力するために,Emphmeta-Optimizerネットワークをトレーニングする新しいメタ最適化アルゴリズムを提案する。 我々は,従来の勾配に基づくアルゴリズムよりも回路評価が少ない場合に,より高品質な最小値が得られることを示す。
  論文  参考訳（メタデータ） (2023-04-15T01:09:12Z)
• 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)
• Quantum Robustness Verification: A Hybrid Quantum-Classical Neural Network Certification Algorithm [1.439946676159516]
  本研究では、堅牢性多変数混合整数プログラム(MIP)の解法を含むReLUネットワークの検証について検討する。 この問題を軽減するために、ニューラルネットワーク検証にQCを用い、証明可能な証明書を計算するためのハイブリッド量子プロシージャを導入することを提案する。 シミュレーション環境では,我々の証明は健全であり,問題の近似に必要な最小量子ビット数に制限を与える。
  論文  参考訳（メタデータ） (2022-05-02T13:23:56Z)
• 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)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)

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。