論文の概要: Blind quantum machine learning with quantum bipartite correlator
- arxiv url: http://arxiv.org/abs/2310.12893v1
- Date: Thu, 19 Oct 2023 16:42:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-20 14:03:56.487009
- Title: Blind quantum machine learning with quantum bipartite correlator
- Title（参考訳）: 量子2部コリレータを用いたブラインド量子機械学習
- Authors: Changhao Li, Boning Li, Omar Amer, Ruslan Shaydulin, Shouvanik
Chakrabarti, Guoqing Wang, Haowei Xu, Hao Tang, Isidor Schoch, Niraj Kumar,
Charles Lim, Ju Li, Paola Cappellaro and Marco Pistoia
- Abstract要約: 本稿では,量子二部相関アルゴリズムに基づく新しい盲点量子機械学習プロトコルを提案する。
当社のプロトコルは、信頼できない関係者からのデータのプライバシーを維持しながら、通信オーバーヘッドを減らした。
- 参考スコア（独自算出の注目度）: 13.533591812956018
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Distributed quantum computing is a promising computational paradigm for
performing computations that are beyond the reach of individual quantum
devices. Privacy in distributed quantum computing is critical for maintaining
confidentiality and protecting the data in the presence of untrusted computing
nodes. In this work, we introduce novel blind quantum machine learning
protocols based on the quantum bipartite correlator algorithm. Our protocols
have reduced communication overhead while preserving the privacy of data from
untrusted parties. We introduce robust algorithm-specific privacy-preserving
mechanisms with low computational overhead that do not require complex
cryptographic techniques. We then validate the effectiveness of the proposed
protocols through complexity and privacy analysis. Our findings pave the way
for advancements in distributed quantum computing, opening up new possibilities
for privacy-aware machine learning applications in the era of quantum
technologies.
- Abstract（参考訳）: 分散量子コンピューティングは、個々の量子デバイスの範囲を超えた計算を行うための有望な計算パラダイムである。
分散量子コンピューティングにおけるプライバシは、機密性を維持し、信頼できない計算ノードの存在下でデータを保護するために重要である。
本研究では,量子二部相関アルゴリズムに基づく新しい盲点量子機械学習プロトコルを提案する。
当社のプロトコルは、信頼できない関係者からのデータのプライバシーを維持しながら、通信オーバーヘッドを減らした。
複雑な暗号化技術を必要としない計算オーバーヘッドの少ないロバストなアルゴリズム固有のプライバシ保存機構を導入する。
次に、複雑性とプライバシー分析により提案プロトコルの有効性を検証する。
我々の発見は、分散量子コンピューティングの進歩の道を開き、量子技術の時代にプライバシーに配慮した機械学習アプリケーションに新たな可能性を開く。
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) - 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) - Tuning Quantum Computing Privacy through Quantum Error Correction [12.475140331375666]
本稿では,量子コンピューティングの誤差を低減するために,量子エラー補正技術を活用することを提案する。
量子コンピューティングにおけるプライバシ保護の度合いを規定する手段として,QECが有効な方法であることを示す。
論文 参考訳（メタデータ） (2023-12-22T08:35:23Z) - Privacy-preserving quantum federated learning via gradient hiding [5.543544712471747]
本稿では,プライバシ問題に対処するために,量子通信を用いた革新的な量子プロトコルを提案する。
表現的変動量子回路や差分プライバシー技術を利用する従来の研究とは対照的に、量子状態を用いた勾配情報隠蔽を考える。
本稿では,個人内積推定と漸進学習に基づく2つのFLプロトコルを提案する。
論文 参考訳（メタデータ） (2023-12-07T17:16:30Z) - Near-Term Distributed Quantum Computation using Mean-Field Corrections
and Auxiliary Qubits [77.04894470683776]
本稿では,限られた情報伝達と保守的絡み合い生成を含む短期分散量子コンピューティングを提案する。
我々はこれらの概念に基づいて、変分量子アルゴリズムの断片化事前学習のための近似回路切断手法を作成する。
論文 参考訳（メタデータ） (2023-09-11T18:00:00Z) - Oblivious Quantum Computation and Delegated Multiparty Quantum
Computation [61.12008553173672]
本稿では、入力量子ビットの秘密性と量子ゲートを識別するプログラムを必要とする新しい計算量子計算法を提案する。
本稿では,この課題に対する2サーバプロトコルを提案する。
また,従来の通信のみを用いて,複数のユーザがサーバにマルチパーティ量子計算を依頼する多パーティ量子計算についても論じる。
論文 参考訳（メタデータ） (2022-11-02T09:01:33Z) - Optimal Stochastic Resource Allocation for Distributed Quantum Computing [50.809738453571015]
本稿では,分散量子コンピューティング(DQC)のためのリソース割り当て方式を提案する。
本評価は,提案手法の有効性と,量子コンピュータとオンデマンド量子コンピュータの両立性を示すものである。
論文 参考訳（メタデータ） (2022-09-16T02:37:32Z) - 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) - On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。
私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
論文 参考訳（メタデータ） (2021-06-29T14:01:40Z) - Delegating Multi-Party Quantum Computations vs. Dishonest Majority in
Two Quantum Rounds [0.0]
マルチパーティ量子計算(MPQC)は、量子ネットワークのキラーアプリケーションとして多くの注目を集めている。
単一の正直なクライアントであっても、盲目性と妥当性を達成できる構成可能なプロトコルを提案する。
論文 参考訳（メタデータ） (2021-02-25T15:58:09Z) - Quantum noise protects quantum classifiers against adversaries [120.08771960032033]
量子情報処理におけるノイズは、特に短期的な量子技術において、破壊的で避け難い特徴と見なされることが多い。
量子回路の非偏極雑音を利用して分類を行うことにより、敵に縛られるロバスト性を導出できることを示す。
これは、最も一般的な敵に対して使用できる最初の量子プロトコルである。
論文 参考訳（メタデータ） (2020-03-20T17:56:14Z)
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。