論文の概要: Foundations of Quantum Federated Learning Over Classical and Quantum Networks

• arxiv url: http://arxiv.org/abs/2310.14516v1
• Date: Mon, 23 Oct 2023 02:56:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-24 23:00:31.890373
• Title: Foundations of Quantum Federated Learning Over Classical and Quantum Networks
• Title（参考訳）: 古典的および量子ネットワークにおける量子フェデレーション学習の基礎
• Authors: Mahdi Chehimi, Samuel Yen-Chi Chen, Walid Saad, Don Towsley, M\'erouane Debbah
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 59.121263013213756
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum federated learning (QFL) is a novel framework that integrates the advantages of classical federated learning (FL) with the computational power of quantum technologies. This includes quantum computing and quantum machine learning (QML), enabling QFL to handle high-dimensional complex data. QFL can be deployed over both classical and quantum communication networks in order to benefit from information-theoretic security levels surpassing traditional FL frameworks. In this paper, we provide the first comprehensive investigation of the challenges and opportunities of QFL. We particularly examine the key components of QFL and identify the unique challenges that arise when deploying it over both classical and quantum networks. We then develop novel solutions and articulate promising research directions that can help address the identified challenges. We also provide actionable recommendations to advance the practical realization of QFL.
• Abstract（参考訳）: 量子フェデレーション学習(quantum federated learning, qfl)は、古典的な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。 これには量子コンピューティングと量子機械学習(QML)が含まれており、QFLは高次元の複雑なデータを扱うことができる。 QFLは、従来のFLフレームワークを超える情報理論セキュリティレベルを享受するために、古典的および量子的通信ネットワークにデプロイすることができる。 本稿では,qflの課題と機会について,初めて総合的な調査を行う。 特に、QFLの重要なコンポーネントを調べ、古典的および量子的ネットワークにデプロイする際に生じるユニークな課題を特定します。 そして、新しいソリューションを開発し、特定された課題に対処するための有望な研究方向を明確にする。 また、qflの実践的実現を進めるための行動可能な勧告も提供します。

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)
• Entanglement-Assisted Quantum Networks: Mechanics, Enabling Technologies, Challenges, and Research Directions [66.27337498864556]
  本稿では,量子ネットワークの絡み合いに関する包括的調査を行う。 ネットワーク構造、作業原則、開発段階の詳細な概要を提供する。 また、アーキテクチャ設計、絡み合いに基づくネットワーク問題、標準化など、オープンな研究の方向性を強調している。
  論文  参考訳（メタデータ） (2023-07-24T02:48:22Z)
• Towards Quantum Federated Learning [80.1976558772771]
  量子フェデレートラーニング(Quantum Federated Learning)は、学習プロセスにおけるプライバシ、セキュリティ、効率性の向上を目的とする。 我々は、QFLの原則、技術、および新しい応用について、包括的に理解することを目指している。 QFLの分野が進むにつれ、様々な産業でさらなるブレークスルーや応用が期待できる。
  論文  参考訳（メタデータ） (2023-06-16T15:40:21Z)
• Quantum Split Neural Network Learning using Cross-Channel Pooling [12.261689483681145]
  本研究では,量子分割学習(QSL)という新しい手法を提案する。 QNNによって促進される量子状態トモグラフィーの特徴的な特性を活かす技術であるクロスチャネルプーリングが導入された。
  論文  参考訳（メタデータ） (2022-11-12T00:21:45Z)
• Federated Quantum Natural Gradient Descent for Quantum Federated Learning [7.028664795605032]
  本研究では,FQNGD(Federated quantum natural gradient descent)という,効率的な学習アルゴリズムを提案する。 FQNGDアルゴリズムは、収束するQFLモデルのトレーニングイテレーションをはるかに少なくする。 他のフェデレーション学習アルゴリズムと比較して、手書き桁分類データセットの実験は、QFLに対するFQNGDアルゴリズムの有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2022-08-15T07:17:11Z)
• Slimmable Quantum Federated Learning [44.89303833148191]
  量子ニューラルネットワーク(QNN)を連合学習(FL)に統合する量子連合学習(QFL)が最近注目を集めている。 本稿では,時変通信チャネルや計算エネルギー制限に対処可能な動的QFLフレームワークであるスリムブルQFL(SlimQFL)を提案する。 シミュレーションの結果、SlimQFLはVanilla QFLよりも高い分類精度を達成している。
  論文  参考訳（メタデータ） (2022-07-20T22:39:23Z)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)
• 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)
• TensorFlow Quantum: A Software Framework for Quantum Machine Learning [36.75544801185366]
  本稿では,古典的あるいは量子的データに対するハイブリッド量子古典モデルの高速プロトタイピングのためのオープンソースライブラリであるQuantum (TFQ)を紹介する。 本稿では,メタラーニング,階層学習,ハミルトン学習,サーマル状態のサンプリング,変分量子固有解法,量子位相遷移の分類,生成的敵ネットワーク,強化学習など,高度な量子学習タスクにTFQを適用する方法を紹介する。
  論文  参考訳（メタデータ） (2020-03-06T01:31:43Z)

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。