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: 翻訳完了
• 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

• Practical quantum federated learning and its experimental demonstration [16.652124459831946]
  本稿では,量子ネットワーク上での実践的な量子フェデレーション学習フレームワークを提案する。 スケーラブルな構造を持つ4サイクル量子ネットワーク上で,我々のフレームワークを実験的に検証した。 私たちの研究は、スケーラブルで効率的で量子セキュアな機械学習システムを構築する上で、重要な洞察を提供する。
  論文  参考訳（メタデータ） (2025-01-22T08:28:11Z)
• Quantum delegated and federated learning via quantum homomorphic encryption [0.5939164722752263]
  本稿では,量子デリゲート型およびフェデレート型学習を無理論データプライバシ保証で実現可能な汎用フレームワークを提案する。 この枠組みの下での学習と推論は、盲点量子コンピューティングに基づくスキームに比べて通信の複雑さが著しく低いことが示される。
  論文  参考訳（メタデータ） (2024-09-28T14:13:50Z)
• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• Multimodal deep representation learning for quantum cross-platform verification [60.01590250213637]
  初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。 本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。 我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
  論文  参考訳（メタデータ） (2023-11-07T04:35:03Z)
• Quantum Federated Learning With Quantum Networks [7.842152902652214]
  本稿では,古典データとハブ-スポークトポロジを用いた通信のための量子古典的転送学習手法を提案する。 量子通信は盗聴攻撃から安全であり、量子から古典への変換の計測は行わないが、クローニング定理がないため、ハブ・スポークトポロジーは量子メモリなしでの量子通信には理想的ではない。 また、量子フェデレート学習における量子ウェイトの最初の成功例も示しています。
  論文  参考訳（メタデータ） (2023-10-23T16:45:29Z)
• 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)
• Distributed Quantum Machine Learning [0.0]
  量子コンピュータは、測定が量子状態を破壊するため、データ固有のセキュリティを提供する。 本稿では,複数のパーティが協調して量子アルゴリズムを安全に計算できる分散量子機械学習のアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-22T13:52:21Z)
• 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)
• Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
  53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。 演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
  論文  参考訳（メタデータ） (2021-01-21T22:18:49Z)
• Nearest Centroid Classification on a Trapped Ion Quantum Computer [57.5195654107363]
  我々は,古典的データを量子状態に効率よくロードし,距離推定を行う手法を用いて,量子近接Centroid分類器を設計する。 MNIST手書き桁データセットの古典的最寄りのセントロイド分類器の精度と8次元合成データの最大100%の精度とを一致させ,11量子ビットトラップイオン量子マシン上で実験的に実証した。
  論文  参考訳（メタデータ） (2020-12-08T01:10:30Z)

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。