論文の概要: Quantum federated learning based on gradient descent
- arxiv url: http://arxiv.org/abs/2212.12913v1
- Date: Sun, 25 Dec 2022 14:37:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-09 05:37:32.104780
- Title: Quantum federated learning based on gradient descent
- Title(参考訳): 勾配降下に基づく量子連合学習
- Authors: Kai Yu and Xin Zhang and Zi Ye and Gong-De Guo and Song Lin
- Abstract要約: フェデレートラーニング(Federated Learning)は、機械学習における分散ラーニングフレームワークである。
主な課題は、高い計算コストと送信メッセージのセキュリティである。
本稿では,勾配勾配に基づく量子フェデレーション学習の枠組みを提案する。
- 参考スコア(独自算出の注目度): 17.862229707599006
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated learning is a distributed learning framework in machine learning,
and has been widely studied recently. Generally speaking, there are two main
challenges, high computational cost and the security of the transmitted
message, in the federated learning process. To address these challenges, we
utilize some intriguing characteristics of quantum mechanics to propose a
framework for quantum federated learning based on gradient descent. In the
proposed framework, it consists of two components. One is a quantum gradient
descent algorithm, which has been demonstrated that it can achieve exponential
acceleration in dataset scale and quadratic speedup in data dimensionality over
the classical counterpart. Namely, the client can fast-train gradients on a
quantum platform. The other is a quantum secure multi-party computation
protocol that aims to calculate federated gradients safely. The security
analysis is shown that this quantum protocol can resist some common external
and internal attacks. That is, the local gradient can be aggregated securely.
Finally, to illustrated the effectiveness of the proposed framework, we apply
it to train federated linear regression models and successfully implement some
key computation steps on the Qiskit quantum computing framework.
- Abstract(参考訳): フェデレーション学習は機械学習における分散学習フレームワークであり、近年広く研究されている。
一般に、連合学習プロセスでは、高い計算コストと送信メッセージのセキュリティの2つの主な課題がある。
これらの課題に対処するために,量子力学の興味深い特性を利用して,勾配降下に基づく量子フェデレーション学習の枠組みを提案する。
提案フレームワークでは,2つのコンポーネントで構成される。
1つは量子勾配降下アルゴリズムであり、データセットスケールでの指数加速度と古典的なデータ次元の2次スピードアップを達成できることが示されている。
すなわち、クライアントは量子プラットフォーム上で勾配を高速にトレーニングできる。
もう1つは、フェデレーション勾配を安全に計算することを目的とした、量子セキュアなマルチパーティ計算プロトコルである。
セキュリティ分析により、この量子プロトコルは、いくつかの一般的な外部および内部攻撃に抵抗できることが示されている。
すなわち、局所勾配を安全に集約することができる。
最後に,提案フレームワークの有効性を示すために,フェデレーション線形回帰モデルのトレーニングに適用し,qiskit量子計算フレームワーク上で重要な計算ステップの実装に成功した。
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) - Learning Quantum Processes with Quantum Statistical Queries [0.0]
本稿では,量子統計クエリモデル内で量子プロセス学習を研究するための最初の学習フレームワークを紹介する。
このフレームワークにより、任意の量子プロセスに対して、証明可能な性能保証を伴う効率的なQPSQ学習者を提案することができる。
この研究は、量子プロセスの学習可能性を理解するための重要なステップであり、セキュリティへの影響に光を当てている。
論文 参考訳(メタデータ) (2023-10-03T14:15:20Z) - 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) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳(メタデータ) (2023-04-04T12:47:35Z) - 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) - Machine learning applications for noisy intermediate-scale quantum
computers [0.0]
NISQコンピュータに適した3つの量子機械学習アプリケーションを開発し研究する。
これらのアルゴリズムは本質的に変動し、基礎となる量子機械学習モデルとしてパラメータ化量子回路(PQC)を使用する。
近似量子クローニングの領域において,データを自然界において量子化する変分アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-05-19T09:26:57Z) - When BERT Meets Quantum Temporal Convolution Learning for Text
Classification in Heterogeneous Computing [75.75419308975746]
本研究は,変分量子回路に基づく垂直連合学習アーキテクチャを提案し,テキスト分類のための量子化事前学習BERTモデルの競争性能を実証する。
目的分類実験により,提案したBERT-QTCモデルにより,SnipsおよびATIS音声言語データセットの競合実験結果が得られた。
論文 参考訳(メタデータ) (2022-02-17T09:55:21Z) - Quantum Alphatron: quantum advantage for learning with kernels and noise [2.94944680995069]
我々は、フォールトトレラントな設定でAlphatronの量子バージョンを提供する。
2層ニューラルネットワークの学習における量子優位性について論じる。
論文 参考訳(メタデータ) (2021-08-26T09:36:20Z) - 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) - QUANTIFY: A framework for resource analysis and design verification of
quantum circuits [69.43216268165402]
QUINTIFYは、量子回路の定量的解析のためのオープンソースのフレームワークである。
Google Cirqをベースにしており、Clifford+T回路を念頭に開発されている。
ベンチマークのため、QUINTIFYは量子メモリと量子演算回路を含む。
論文 参考訳(メタデータ) (2020-07-21T15:36:25Z)
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。