Fugu-MT 論文翻訳(概要): Privacy-preserving quantum federated learning via gradient hiding

論文の概要: Privacy-preserving quantum federated learning via gradient hiding

arxiv url: http://arxiv.org/abs/2312.04447v1
Date: Thu, 7 Dec 2023 17:16:30 GMT
ステータス: 処理完了
システム内更新日: 2023-12-08 13:54:40.343162
Title: Privacy-preserving quantum federated learning via gradient hiding
Title（参考訳）: 勾配隠れによるプライバシー保全型量子フェデレーション学習
Authors: Changhao Li, Niraj Kumar, Zhixin Song, Shouvanik Chakrabarti and Marco Pistoia
Abstract要約: 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。
参考スコア（独自算出の注目度）: 5.543544712471747
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Distributed quantum computing, particularly distributed quantum machine learning, has gained substantial prominence for its capacity to harness the collective power of distributed quantum resources, transcending the limitations of individual quantum nodes. Meanwhile, the critical concern of privacy within distributed computing protocols remains a significant challenge, particularly in standard classical federated learning (FL) scenarios where data of participating clients is susceptible to leakage via gradient inversion attacks by the server. This paper presents innovative quantum protocols with quantum communication designed to address the FL problem, strengthen privacy measures, and optimize communication efficiency. In contrast to previous works that leverage expressive variational quantum circuits or differential privacy techniques, we consider gradient information concealment using quantum states and propose two distinct FL protocols, one based on private inner-product estimation and the other on incremental learning. These protocols offer substantial advancements in privacy preservation with low communication resources, forging a path toward efficient quantum communication-assisted FL protocols and contributing to the development of secure distributed quantum machine learning, thus addressing critical privacy concerns in the quantum computing era.
Abstract（参考訳）: 分散量子コンピューティング、特に分散量子機械学習は、個々の量子ノードの制限を超越して、分散量子リソースの集合的パワーを利用する能力でかなりの人気を得ている。一方で、分散コンピューティングプロトコル内のプライバシに関する重要な懸念は、特に、参加するクライアントのデータがサーバによる勾配反転攻撃によって漏洩するおそれのある、標準的な連合学習(fl)シナリオにおいて、依然として大きな課題である。本稿では、FL問題に対処し、プライバシー対策を強化し、通信効率を最適化する量子通信を用いた革新的な量子プロトコルを提案する。表現型変分量子回路や微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慮し、プライベートな内積推定とインクリメンタル学習に基づく2つの異なるflプロトコルを提案する。これらのプロトコルは、低通信リソースによるプライバシー保護の大幅な進歩、効率的な量子通信支援FLプロトコルへの道のりを築き、セキュアな分散量子機械学習の開発に貢献し、量子コンピューティング時代の重要なプライバシー問題に対処する。

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)
Optimal Mechanisms for Quantum Local Differential Privacy [1.125100225226559]
QLDPはパラメータ$epsilon$を使用して、プライバシリークを管理し、個々の量子状態のプライバシを保証する。量子ノイズの導入は、古典的なシナリオと同様のプライバシー保護を提供する。量子脱分極ノイズは、QLDPフレームワーク内の最適なユニタリ民営化機構として同定される。
論文参考訳（メタデータ） (2024-07-18T13:46:16Z)
Separable Power of Classical and Quantum Learning Protocols Through the Lens of No-Free-Lunch Theorem [70.42372213666553]
No-Free-Lunch(NFL)定理は、最適化プロセスに関係なく問題とデータ非依存の一般化誤差を定量化する。我々は、様々な量子学習アルゴリズムを、特定の観測可能条件下で量子力学を学習するために設計された3つの学習プロトコルに分類する。得られたNFL定理は, CLC-LP, ReQu-LP, Qu-LPにまたがるサンプルの複雑性を2次的に低減することを示した。この性能差は、非直交量子状態のグローバル位相に関する情報を間接的に活用するために、量子関連学習プロトコルのユニークな能力に起因している。
論文参考訳（メタデータ） (2024-05-12T09:05:13Z)
Bridging Quantum Computing and Differential Privacy: Insights into Quantum Computing Privacy [15.024190374248088]
微分プライバシー(DP)は量子領域、すなわち量子微分プライバシー(QDP)に拡張されている。 QDPは、プライバシ保護量子コンピューティングに対する最も有望なアプローチの1つになるかもしれない。本稿では,QDPの各種実装とその性能を,DP設定下でのプライバシパラメータの観点から概説する。
論文参考訳（メタデータ） (2024-03-14T08:40:30Z)
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)
Blind quantum machine learning with quantum bipartite correlator [13.533591812956018]
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。
論文参考訳（メタデータ） (2023-10-19T16:42:32Z)
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)
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)
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)
Entanglement Rate Optimization in Heterogeneous Quantum Communication Networks [79.8886946157912]
量子通信ネットワークは、将来6G以降の通信ネットワークにおいて重要な構成要素となる可能性のある、有望な技術として登場しつつある。近年の進歩は、実際の量子ハードウェアによる小規模および大規模量子通信ネットワークの展開に繋がった。量子ネットワークにおいて、絡み合いは異なるノード間でのデータ転送を可能にする鍵となるリソースである。
論文参考訳（メタデータ） (2021-05-30T11:34:23Z)
Quantum Private Distributed Learning Through Blind Quantum Computing [2.081930455526026]
本稿では,プライベートデータを安全に保持しつつ,リモート量子サーバの計算能力を活用できる分散学習のための量子プロトコルを提案する。私たちのプロトコルは実験的な欠陥に対して堅牢であり、差分プライバシーを組み込んだ後の勾配攻撃下で安全です。
論文参考訳（メタデータ） (2021-03-15T14:26:01Z)

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。