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
- Optimal Mechanisms for Quantum Local Differential Privacy [1.125100225226559]
本稿では、量子局所微分プライバシー(QLDP)と呼ばれるフレームワークを紹介する。
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。
論文 参考訳（メタデータ） (2024-07-18T13:46:16Z) - Harnessing Quantum Entanglement: Comprehensive Strategies for Enhanced Communication and Beyond in Quantum Networks [1.2277343096128712]
鍵となる量子現象であるエンタングルメントは、セキュリティと処理能力を強化した高度なプロトコルを可能にする。
量子インターネット、量子エラー訂正符号、およびセキュアな通信を保証するための量子暗号の役割。
論文 参考訳（メタデータ） (2024-06-13T05:54:34Z) - 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]
量子微分プライバシー(QDP)は、プライバシを保存する量子コンピューティングへの最も有望な道の1つである。
本稿では,QDPの様々な実装手法と,DP設定下でのプライバシパラメータの性能について概説する。
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。