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

• Dissipation-driven quantum generative adversarial networks [11.833077116494929]
  本稿では,従来のデータ生成に適した,分散駆動型量子生成逆数ネットワーク(DQGAN)アーキテクチャを提案する。 古典データは、強い調整された散逸過程を通じて入力層の入力量子ビットに符号化される。 出力量子ビットの定常状態の可観測値を測定することにより、生成されたデータと分類結果の両方を抽出する。
  論文  参考訳（メタデータ） (2024-08-28T07:41:58Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• 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)
• 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)
• 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)
• 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 neural networks [0.0]
  この論文は、過去数十年で最もエキサイティングな研究分野である量子コンピューティングと機械学習を組み合わせたものだ。 本稿では、汎用量子計算が可能で、トレーニング中にメモリ要求の少ない散逸型量子ニューラルネットワーク(DQNN)を紹介する。
  論文  参考訳（メタデータ） (2022-05-17T07:47:00Z)
• Comparing concepts of quantum and classical neural network models for image classification task [0.456877715768796]
  本資料は、ハイブリッド量子古典ニューラルネットワークのトレーニングと性能に関する実験結果を含む。 シミュレーションは時間を要するが、量子ネットワークは時間を要するが、古典的なネットワークを克服する。
  論文  参考訳（メタデータ） (2021-08-19T18:49:30Z)
• 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)
• Variational learning for quantum artificial neural networks [0.0]
  まず、量子プロセッサ上での人工ニューロンとフィードフォワードニューラルネットワークの実装について、最近の一連の研究を概説する。 次に、変分アンサンプリングプロトコルに基づく効率的な個別量子ノードのオリジナル実現を提案する。 メモリ効率の高いフィードフォワードアーキテクチャとの完全な互換性を維持しながら、単一ニューロンの活性化確率を決定するのに必要な量子回路深さを効果的に削減する。
  論文  参考訳（メタデータ） (2021-03-03T16:10:15Z)

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。