論文の概要: A Quantum Federated Learning Framework for Classical Clients
- arxiv url: http://arxiv.org/abs/2312.11672v1
- Date: Mon, 18 Dec 2023 19:29:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 17:57:44.929927
- Title: A Quantum Federated Learning Framework for Classical Clients
- Title（参考訳）: 古典的クライアントのための量子フェデレーション学習フレームワーク
- Authors: Yanqi Song, Yusen Wu, Shengyao Wu, Dandan Li, Qiaoyan Wen, Sujuan Qin,
and Fei Gao
- Abstract要約: 量子フェデレートラーニング(QFL)は、複数のクライアント間で量子機械学習(QML)モデルの協調トレーニングを可能にする。
量子コンピューティングリソースの限られた可用性は、各クライアントが量子コンピューティング能力を取得するための課題となる。
CC-QFLと呼ばれる古典的クライアント向けに設計されたQFLフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 6.418941009007091
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum Federated Learning (QFL) enables collaborative training of a Quantum
Machine Learning (QML) model among multiple clients possessing quantum
computing capabilities, without the need to share their respective local data.
However, the limited availability of quantum computing resources poses a
challenge for each client to acquire quantum computing capabilities. This
raises a natural question: Can quantum computing capabilities be deployed on
the server instead? In this paper, we propose a QFL framework specifically
designed for classical clients, referred to as CC-QFL, in response to this
question. In each iteration, the collaborative training of the QML model is
assisted by the shadow tomography technique, eliminating the need for quantum
computing capabilities of clients. Specifically, the server constructs a
classical representation of the QML model and transmits it to the clients. The
clients encode their local data onto observables and use this classical
representation to calculate local gradients. These local gradients are then
utilized to update the parameters of the QML model. We evaluate the
effectiveness of our framework through extensive numerical simulations using
handwritten digit images from the MNIST dataset. Our framework provides
valuable insights into QFL, particularly in scenarios where quantum computing
resources are scarce.
- Abstract（参考訳）: 量子フェデレートラーニング(QFL)は、各ローカルデータを共有することなく、量子コンピューティング能力を持つ複数のクライアント間で量子機械学習(QML)モデルの協調トレーニングを可能にする。
しかし、量子コンピューティングリソースが限られているため、各クライアントが量子コンピューティング能力を取得することは困難である。
代わりに量子コンピューティング機能をサーバにデプロイできるだろうか?
本稿では,この質問に対して,cc-qflと呼ばれる古典的クライアント専用に設計されたqflフレームワークを提案する。
各イテレーションにおいて、QMLモデルの協調トレーニングはシャドウトモグラフィー技術によって支援され、クライアントの量子コンピューティング能力の必要性がなくなる。
具体的には、サーバはQMLモデルの古典的な表現を構築し、クライアントに送信する。
クライアントはローカルデータをオブザーバブルにエンコードし、この古典的な表現を使って局所勾配を計算する。
これらの局所勾配を用いてQMLモデルのパラメータを更新する。
MNISTデータセットからの手書き桁画像を用いて,大規模な数値シミュレーションによりフレームワークの有効性を評価する。
我々のフレームワークは、特に量子コンピューティングリソースが不足しているシナリオにおいて、QFLに関する貴重な洞察を提供する。
関連論文リスト
- Federated learning with distributed fixed design quantum chips and quantum channels [0.0]
古典的なフェデレーション学習におけるプライバシは、局所的な勾配結果と、クライアントにエンジニアリングされたクエリを組み合わせることで破ることができる。
本稿では,集中型サーバから送信される量子状態に基づいて,固定設計量子チップを動作させる量子フェデレート学習モデルを提案する。
論文 参考訳（メタデータ） (2024-01-24T12:32:08Z) - Foundations of Quantum Federated Learning Over Classical and Quantum
Networks [59.121263013213756]
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。
論文 参考訳（メタデータ） (2023-10-23T02:56:00Z) - QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。
量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。
4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
論文 参考訳（メタデータ） (2023-08-25T15:08:19Z) - Delegated variational quantum algorithms based on quantum homomorphic
encryption [69.50567607858659]
変分量子アルゴリズム(VQA)は、量子デバイス上で量子アドバンテージを達成するための最も有望な候補の1つである。
クライアントのプライベートデータは、そのような量子クラウドモデルで量子サーバにリークされる可能性がある。
量子サーバが暗号化データを計算するための新しい量子ホモモルフィック暗号(QHE)スキームが構築されている。
論文 参考訳（メタデータ） (2023-01-25T07:00:13Z) - TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [48.491303218786044]
TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。
古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。
量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
論文 参考訳（メタデータ） (2023-01-13T09:35:05Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳（メタデータ） (2022-11-23T18:25:32Z) - Study of Feature Importance for Quantum Machine Learning Models [0.0]
予測器の重要性は、古典的および量子機械学習(QML)におけるデータ前処理パイプラインの重要な部分である
この研究は、QMLモデルの特徴的重要性を探求し、彼らの古典的機械学習(CML)と対比した最初の研究である。
我々はQMLモデルを訓練し、実世界のデータセット上で古典的アルゴリズムから特徴的重要度を計算するハイブリッド量子古典的アーキテクチャを開発した。
論文 参考訳（メタデータ） (2022-02-18T15:21:47Z) - Towards AutoQML: A Cloud-Based Automated Circuit Architecture Search
Framework [0.0]
自動量子機械学習(AutoQML)への第一歩を踏み出す
本稿では,この問題の具体的記述を提案し,その後,古典的量子ハイブリッドクラウドアーキテクチャを開発する。
応用例として、量子生成適応ニューラルネットワーク(qGAN)をトレーニングし、既知の歴史的なデータ分布に従うエネルギー価格を生成する。
論文 参考訳（メタデータ） (2022-02-16T12:37:10Z) - Entangled Datasets for Quantum Machine Learning [0.0]
代わりに量子状態からなる量子データセットを使うべきだと我々は主張する。
NTangledデータセットの状態を生成するために量子ニューラルネットワークをどのように訓練するかを示す。
また、拡張性があり、量子回路によって準備された状態で構成される、別の絡み合いベースのデータセットについても検討する。
論文 参考訳（メタデータ） (2021-09-08T02:20:13Z) - 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)
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。