論文の概要: CryptoQFL: Quantum Federated Learning on Encrypted Data
- arxiv url: http://arxiv.org/abs/2307.07012v1
- Date: Thu, 13 Jul 2023 18:29:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-17 15:52:08.717066
- Title: CryptoQFL: Quantum Federated Learning on Encrypted Data
- Title（参考訳）: CryptoQFL: 暗号化データによる量子フェデレーション学習
- Authors: Cheng Chu and Lei Jiang and Fan Chen
- Abstract要約: Federated Learning(FL)は、新興の分散機械学習フレームワークである。
本稿では,暗号化データの分散QNNトレーニングを可能にするQNNフレームワークであるCryptoQFLを提案する。
CryptoQFLは、(1)各エッジがローカルのプライベートデータでQNNをトレーニングし、中央の量子サーバーに送信する前に量子ホモ暗号化を使用してその更新を暗号化すること、(2)CryptoQFLが局所的な勾配更新を3次値に量子化し、非ゼロの値をサーバにアグリゲーションするためにのみ通信すること、(3)CryptoQFLは効率的な計算効率を示すこと、である。
- 参考スコア（独自算出の注目度）: 8.047082221165097
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Recent advancements in Quantum Neural Networks (QNNs) have demonstrated
theoretical and experimental performance superior to their classical
counterparts in a wide range of applications. However, existing centralized
QNNs cannot solve many real-world problems because collecting large amounts of
training data to a common public site is time-consuming and, more importantly,
violates data privacy. Federated Learning (FL) is an emerging distributed
machine learning framework that allows collaborative model training on
decentralized data residing on multiple devices without breaching data privacy.
Some initial attempts at Quantum Federated Learning (QFL) either only focus on
improving the QFL performance or rely on a trusted quantum server that fails to
preserve data privacy. In this work, we propose CryptoQFL, a QFL framework that
allows distributed QNN training on encrypted data. CryptoQFL is (1) secure,
because it allows each edge to train a QNN with local private data, and encrypt
its updates using quantum \homo~encryption before sending them to the central
quantum server; (2) communication-efficient, as CryptoQFL quantize local
gradient updates to ternary values, and only communicate non-zero values to the
server for aggregation; and (3) computation-efficient, as CryptoQFL presents an
efficient quantum aggregation circuit with significantly reduced latency
compared to state-of-the-art approaches.
- Abstract（参考訳）: 量子ニューラルネットワーク(qnn)の最近の進歩は、様々な応用において、従来のものよりも理論的、実験的に優れた性能を示している。
しかし、既存の集中型QNNは、一般的な公開サイトに大量のトレーニングデータを集めるのに時間がかかり、さらに重要なのはデータのプライバシーを侵害するため、現実世界の多くの問題を解決することができない。
Federated Learning(FL)は、分散機械学習フレームワークで、データプライバシを侵害することなく、複数のデバイスにまたがる分散データのコラボレーティブモデルトレーニングを可能にする。
QFL(Quantum Federated Learning)の最初の試みは、QFLのパフォーマンスの改善のみに焦点を当てるか、データのプライバシの保持に失敗する信頼できる量子サーバに依存している。
本研究では,暗号化データに対する分散QNNトレーニングを可能にするQFLフレームワークであるCryptoQFLを提案する。
CryptoQFL is (1) secure, because it allows each edge to train a QNN with local private data, and encrypt its updates using quantum \homo~encryption before sending them to the central quantum server; (2) communication-efficient, as CryptoQFL quantize local gradient updates to ternary values, and only communicate non-zero values to the server for aggregation; and (3) computation-efficient, as CryptoQFL presents an efficient quantum aggregation circuit with significantly reduced latency compared to state-of-the-art approaches.
関連論文リスト
- 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) - Quantum Federated Learning Experiments in the Cloud with Data Encoding [14.666615671419848]
量子フェデレートラーニング(Quantum Federated Learning, QFL)は、量子ネットワーク上でのフェデレーションラーニング(FL)の展開を目的とした、新たな概念である。
我々は、QFLをクラウドプラットフォームにデプロイする際の課題について検討し、量子的複雑さとプラットフォーム制限を強調した。
論文 参考訳（メタデータ） (2024-05-01T23:41:14Z) - 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) - Federated Quantum Machine Learning with Differential Privacy [9.755412365451985]
本研究では,キャッツ対ドッグスデータセットのバイナリ分類を行うことにより,プライバシー保護手法の実装に成功した。
本研究では,NISQデバイス上での量子機械学習において,フェデレーション付き差分プライベートトレーニングが有効なプライバシ保護手法であることを示す。
論文 参考訳（メタデータ） (2023-10-10T19:52:37Z) - 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) - 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) - When Quantum Information Technologies Meet Blockchain in Web 3.0 [86.91054991998273]
我々は、分散データ転送と支払いトランザクションのための情報理論セキュリティを提供する、量子ブロックチェーン駆動のWeb 3.0フレームワークを紹介します。
Web 3.0で量子ブロックチェーンを実装するための潜在的なアプリケーションと課題について論じる。
論文 参考訳（メタデータ） (2022-11-29T05:38:42Z) - 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) - 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) - Decentralizing Feature Extraction with Quantum Convolutional Neural
Network for Automatic Speech Recognition [101.69873988328808]
特徴抽出のための量子回路エンコーダからなる量子畳み込みニューラルネットワーク(QCNN)を構築した。
入力音声はまず、Mel-spectrogramを抽出するために量子コンピューティングサーバにアップストリームされる。
対応する畳み込み特徴は、ランダムパラメータを持つ量子回路アルゴリズムを用いて符号化される。
符号化された機能は、最終認識のためにローカルRNNモデルにダウンストリームされる。
論文 参考訳（メタデータ） (2020-10-26T03:36:01Z)
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。