論文の概要: Distributed and Secure Kernel-Based Quantum Machine Learning

• arxiv url: http://arxiv.org/abs/2408.10265v2
• Date: Thu, 24 Oct 2024 12:33:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-08 06:44:48.794326
• Title: Distributed and Secure Kernel-Based Quantum Machine Learning
• Title（参考訳）: 分散カーネルに基づく量子機械学習
• Authors: Arjhun Swaminathan, Mete Akgün,
• Abstract要約: 量子コンピューティングは機械学習に革命をもたらすことを約束し、クラスタリングや距離推定といったタスクにおいて、大幅な効率向上を提供する。 測定仮定や非閉定理といった基本的な原理を通じて、セキュリティを向上する。 セキュアな量子機械学習は注目に値するが、カーネルベースの機械学習技術のセキュアで分散的な量子アナログの開発はいまだに未調査である。
• 参考スコア（独自算出の注目度）: 1.104960878651584
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum computing promises to revolutionize machine learning, offering significant efficiency gains in tasks such as clustering and distance estimation. Additionally, it provides enhanced security through fundamental principles like the measurement postulate and the no-cloning theorem, enabling secure protocols such as quantum teleportation and quantum key distribution. While advancements in secure quantum machine learning are notable, the development of secure and distributed quantum analogues of kernel-based machine learning techniques remains underexplored. In this work, we present a novel approach for securely computing common kernels, including polynomial, radial basis function (RBF), and Laplacian kernels, when data is distributed, using quantum feature maps. Our methodology introduces a robust framework that leverages quantum teleportation to ensure secure and distributed kernel learning. The proposed architecture is validated using IBM's Qiskit Aer Simulator on various public datasets.
• Abstract（参考訳）: 量子コンピューティングは機械学習に革命をもたらすことを約束し、クラスタリングや距離推定といったタスクにおいて、大幅な効率向上を提供する。 さらに、量子テレポーテーションや量子鍵分布といったセキュアなプロトコルを可能にするため、測定仮定や非閉鎖定理といった基本原理を通じてセキュリティを強化している。 セキュアな量子機械学習の進歩は注目に値するが、カーネルベースの機械学習技術のセキュアで分散的な量子アナログの開発はいまだに未調査である。 本研究では,データ分散時の多項式,ラジアル基底関数(RBF),ラプラシアカーネルなどの共通カーネルを量子特徴写像を用いてセキュアに計算する手法を提案する。 本手法では,セキュアで分散的なカーネル学習を実現するために,量子テレポーテーションを利用する堅牢なフレームワークを提案する。 提案したアーキテクチャは、IBMのQiskit Aer Simulatorを使って、さまざまな公開データセットで検証されている。

関連論文リスト

• Quantum machine learning via continuous-variable cluster states and teleportation [2.473948454680334]
  フォトニックプラットフォームに分散量子機械学習とメモリ表示に適した新しいアプローチを提案する。 この測定に基づく量子貯水池計算は、主量子資源として連続的な可変クラスター状態を利用する。
  論文  参考訳（メタデータ） (2024-11-11T12:11:16Z)
• 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)
• Consensus-based Distributed Quantum Kernel Learning for Speech Recognition [4.1852104039346605]
  CDQKLは、集中型量子カーネル学習におけるスケーラビリティとデータプライバシの課題に対処する。 計算タスクを古典的なチャネルを介して接続された量子端末に分散することでこれを実現している。 CDQKLの分散特性は、プライバシー保護と計算効率の利点を提供し、データに敏感な分野に適している。
  論文  参考訳（メタデータ） (2024-09-09T16:33:00Z)
• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• Neural auto-designer for enhanced quantum kernels [59.616404192966016]
  本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。 私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
  論文  参考訳（メタデータ） (2024-01-20T03:11:59Z)
• Deploying hybrid quantum-secured infrastructure for applications: When quantum and post-quantum can work together [0.8702432681310401]
  量子鍵分布は、予期せぬ技術発展に対して安全である。 量子後暗号は古典的および量子コンピューティング技術の攻撃に対してさえも安全であると考えられている。 また、フルスタックの量子セキュリティインフラのさらなる発展における様々な方向性を示す。
  論文  参考訳（メタデータ） (2023-04-10T13:44:21Z)
• 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)
• Noisy Quantum Kernel Machines [58.09028887465797]
  量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。 消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。 量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
  論文  参考訳（メタデータ） (2022-04-26T09:52:02Z)
• On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
  そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。 私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)
• 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)
• Nearest Centroid Classification on a Trapped Ion Quantum Computer [57.5195654107363]
  我々は,古典的データを量子状態に効率よくロードし,距離推定を行う手法を用いて,量子近接Centroid分類器を設計する。 MNIST手書き桁データセットの古典的最寄りのセントロイド分類器の精度と8次元合成データの最大100%の精度とを一致させ,11量子ビットトラップイオン量子マシン上で実験的に実証した。
  論文  参考訳（メタデータ） (2020-12-08T01:10:30Z)

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。