論文の概要: Quantum Federated Learning With Quantum Networks

• arxiv url: http://arxiv.org/abs/2310.15084v1
• Date: Mon, 23 Oct 2023 16:45:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-24 18:46:20.759109
• Title: Quantum Federated Learning With Quantum Networks
• Title（参考訳）: 量子ネットワークによる量子フェデレーション学習
• Authors: Tyler Wang, Huan-Hsin Tseng, Shinjae Yoo
• Abstract要約: 本稿では,古典データとハブ-スポークトポロジを用いた通信のための量子古典的転送学習手法を提案する。 量子通信は盗聴攻撃から安全であり、量子から古典への変換の計測は行わないが、クローニング定理がないため、ハブ・スポークトポロジーは量子メモリなしでの量子通信には理想的ではない。 また、量子フェデレート学習における量子ウェイトの最初の成功例も示しています。
• 参考スコア（独自算出の注目度）: 7.842152902652214
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A major concern of deep learning models is the large amount of data that is required to build and train them, much of which is reliant on sensitive and personally identifiable information that is vulnerable to access by third parties. Ideas of using the quantum internet to address this issue have been previously proposed, which would enable fast and completely secure online communications. Previous work has yielded a hybrid quantum-classical transfer learning scheme for classical data and communication with a hub-spoke topology. While quantum communication is secure from eavesdrop attacks and no measurements from quantum to classical translation, due to no cloning theorem, hub-spoke topology is not ideal for quantum communication without quantum memory. Here we seek to improve this model by implementing a decentralized ring topology for the federated learning scheme, where each client is given a portion of the entire dataset and only performs training on that set. We also demonstrate the first successful use of quantum weights for quantum federated learning, which allows us to perform our training entirely in quantum.
• Abstract（参考訳）: ディープラーニングモデルの主な関心事は、それらの構築とトレーニングに必要な大量のデータであり、その多くは、サードパーティによるアクセスに脆弱な機密的で個人識別可能な情報に依存している。 量子インターネットを使ってこの問題に対処するアイデアは以前から提案されており、高速で完全にセキュアなオンライン通信を可能にする。 これまでの研究は、古典的データとハブ・スポークトポロジーとの通信のためのハイブリッド量子古典的転送学習方式を生み出した。 量子通信は盗聴攻撃から安全であり、量子から古典への変換の計測は行わないが、クローニング定理がないため、ハブスポーク位相は量子メモリなしでの量子通信には理想的ではない。 ここでは、各クライアントにデータセットの一部を与え、そのセットでのみトレーニングを行うフェデレート学習スキームのための分散リングトポロジを実装することにより、このモデルを改善することを目的とする。 また、量子フェデレーション学習における量子重み付けの利用を初めて成功させた例を示す。

関連論文リスト

• Distributed quantum machine learning via classical communication [0.7378853859331619]
  本稿では,古典的通信を通じて量子プロセッサユニットを統合する実験的な分散量子機械学習手法を提案する。 その結果,古典的コミュニケーションを取り入れることで,コミュニケーションのないスキームに比べて分類精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2024-08-29T08:05:57Z)
• 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)
• Quantum Internet: The Future of Internetworking [16.313110394211154]
  量子インターネットの目的は、古典的なインターネットに根本的に手の届かないアプリケーションを可能にすることである。 この章は、量子情報、量子コンピューティング、量子ネットワークの研究のための主要な概念、課題、機会を提示することを目的としている。
  論文  参考訳（メタデータ） (2023-04-30T23:17:47Z)
• 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)
• Quantum Semantic Communications for Resource-Efficient Quantum Networking [52.3355619190963]
  本稿では、量子機械学習と量子意味表現の進歩を活かした新しい量子意味通信(QSC)フレームワークを提案する。 提案手法は,高い量子セマンティック忠実度を達成しつつ,必要な量子通信資源の約50～75%の削減を実現する。
  論文  参考訳（メタデータ） (2022-05-05T03:49:19Z)
• An Evolutionary Pathway for the Quantum Internet Relying on Secure Classical Repeaters [64.48099252278821]
  我々は、セキュアな古典的リピータと量子セキュアな直接通信原理を組み合わせた量子ネットワークを考案する。 これらのネットワークでは、量子耐性アルゴリズムから引き出された暗号文を、ノードに沿ってQSDCを用いて送信する。 我々は,セキュアな古典的リピータに基づくハイブリッド量子ネットワークの実証実験を行った。
  論文  参考訳（メタデータ） (2022-02-08T03:24:06Z)
• QuantumFed: A Federated Learning Framework for Collaborative Quantum Training [10.635097939284751]
  本稿では,複数の量子ノードを持つ量子連合学習フレームワークであるQuantumFedを提案する。 我々の実験は、我々のフレームワークの実現可能性と堅牢性を示している。
  論文  参考訳（メタデータ） (2021-06-16T20:28:11Z)
• 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)
• Quantum Deformed Neural Networks [83.71196337378022]
  我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。 入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
  論文  参考訳（メタデータ） (2020-10-21T09:46:12Z)

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。