論文の概要: Exact Decomposition of Quantum Channels for Non-IID Quantum Federated
Learning
- arxiv url: http://arxiv.org/abs/2209.00768v1
- Date: Fri, 2 Sep 2022 00:38:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-05 12:14:31.332354
- Title: Exact Decomposition of Quantum Channels for Non-IID Quantum Federated
Learning
- Title(参考訳): 非iid量子フェデレート学習における量子チャネルの完全分解
- Authors: Haimeng Zhao
- Abstract要約: フェデレーション・ラーニング(Federated Learning)とは、データセキュリティとプライバシを保護しながら、複数のクライアントから分散化されたデータで機械学習を実行するタスクである。
クライアントのデータが独立で同一分散されていない場合(IID)、従来のフェデレーションアルゴリズムの性能は低下する。
我々は,グローバルな量子チャネルを局所密度推定器の助けを借りて,各クライアントが訓練したチャネルに正確に分解できることを証明する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated learning refers to the task of performing machine learning with
decentralized data from multiple clients while protecting data security and
privacy. Works have been done to incorporate quantum advantage in such
scenarios. However, when the clients' data are not independent and identically
distributed (IID), the performance of conventional federated algorithms
deteriorates. In this work, we explore this phenomenon in the quantum regime
with both theoretical and numerical analysis. We further prove that a global
quantum channel can be exactly decomposed into channels trained by each client
with the help of local density estimators. It leads to a general framework for
quantum federated learning on non-IID data with one-shot communication
complexity. We demonstrate it on classification tasks with numerical
simulations.
- Abstract(参考訳): フェデレーション・ラーニング(Federated Learning)とは、データセキュリティとプライバシを保護しながら、複数のクライアントからの分散データで機械学習を実行するタスクである。
このようなシナリオに量子アドバンテージを組み込む作業が実施されている。
しかし、クライアントのデータが独立で同一分散されていない場合(IID)、従来のフェデレーションアルゴリズムの性能は低下する。
本研究では,この現象を理論と数値解析の両方を用いて量子構造で探究する。
さらに、局所密度推定器の助けを借りて、グローバルな量子チャネルを各クライアントが訓練したチャネルに正確に分解できることを示す。
これは、ワンショット通信複雑性を持つ非IIDデータの量子フェデレーション学習のための一般的なフレームワークにつながります。
数値シミュレーションによる分類タスクでこれを実証する。
関連論文リスト
- Service Differentiation and Fair Sharing in Distributed Quantum
Computing [0.0]
将来的には、量子コンピュータが普及し、量子リピータのネットワークによって、リモート量子ビットのエンドツーエンドの絡み合いが提供されるようになる。
本稿では,この新しい環境におけるサービス分化の課題について考察する。
次に、各プールにどの計算ノードを組み込むべきかという問題を定義します。
論文 参考訳(メタデータ) (2023-01-10T14:16:42Z) - QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional
Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。
現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。
我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文 参考訳(メタデータ) (2022-11-09T21:43:16Z) - Out-of-distribution generalization for learning quantum dynamics [2.1503874224655997]
一般化境界は量子機械学習(QML)のトレーニングデータ要求を評価する重要なツールである
QNNを用いて未知のユニタリを学習するタスクに対して,分布の一般化を証明した。
ハイゼンベルクスピン鎖の進化は、製品訓練状態のみを用いて学べることを示し、これを数値的に説明する。
論文 参考訳(メタデータ) (2022-04-21T17:15:23Z) - Scalable approach to many-body localization via quantum data [69.3939291118954]
多体局在は、量子多体物理学の非常に難しい現象である。
計算コストの高いステップを回避できるフレキシブルニューラルネットワークベースの学習手法を提案する。
我々のアプローチは、量子多体物理学の新たな洞察を提供するために、大規模な量子実験に適用することができる。
論文 参考訳(メタデータ) (2022-02-17T19:00:09Z) - Federated Stochastic Gradient Descent Begets Self-Induced Momentum [151.4322255230084]
Federated Learning(FL)は、モバイルエッジシステムに適用可能な、新興の機械学習手法である。
このような条件下での勾配降下(SGD)への走行は,大域的な集約プロセスに運動量的な項を加えるとみなすことができる。
論文 参考訳(メタデータ) (2022-02-17T02:01:37Z) - 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) - Straggler-Resilient Federated Learning: Leveraging the Interplay Between
Statistical Accuracy and System Heterogeneity [57.275753974812666]
フェデレーション学習は、データをローカルに保持しながら、クライアントのネットワークに分散したデータサンプルから学習する。
本稿では,学習手順を高速化するために,クライアントデータの統計的特徴を取り入れてクライアントを適応的に選択する,ストラグラー・レジリエントなフェデレーション学習手法を提案する。
論文 参考訳(メタデータ) (2020-12-28T19:21:14Z) - Ternary Compression for Communication-Efficient Federated Learning [17.97683428517896]
フェデレートされた学習は、プライバシ保護とセキュアな機械学習に対する潜在的なソリューションを提供する。
本稿では,第3次フェデレーション平均化プロトコル(T-FedAvg)を提案する。
その結果,提案したT-FedAvgは通信コストの低減に有効であり,非IIDデータの性能も若干向上できることがわかった。
論文 参考訳(メタデータ) (2020-03-07T11:55:34Z) - 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。