論文の概要: Quantum delegated and federated learning via quantum homomorphic encryption

• arxiv url: http://arxiv.org/abs/2409.19359v1
• Date: Sat, 28 Sep 2024 14:13:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-05 23:48:39.620266
• Title: Quantum delegated and federated learning via quantum homomorphic encryption
• Title（参考訳）: 量子準同型暗号による量子委譲・連合学習
• Authors: Weikang Li, Dong-Ling Deng,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.5939164722752263
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum learning models hold the potential to bring computational advantages over the classical realm. As powerful quantum servers become available on the cloud, ensuring the protection of clients' private data becomes crucial. By incorporating quantum homomorphic encryption schemes, we present a general framework that enables quantum delegated and federated learning with a computation-theoretical data privacy guarantee. We show that learning and inference under this framework feature substantially lower communication complexity compared with schemes based on blind quantum computing. In addition, in the proposed quantum federated learning scenario, there is less computational burden on local quantum devices from the client side, since the server can operate on encrypted quantum data without extracting any information. We further prove that certain quantum speedups in supervised learning carry over to private delegated learning scenarios employing quantum kernel methods. Our results provide a valuable guide toward privacy-guaranteed quantum learning on the cloud, which may benefit future studies and security-related applications.
• Abstract（参考訳）: 量子学習モデルは、古典的な領域に対して計算上の優位性をもたらす可能性を秘めている。 強力な量子サーバがクラウド上で利用可能になるにつれて、クライアントのプライベートデータの保護が重要になる。 量子準同型暗号スキームを組み込むことにより、量子デリゲートおよびフェデレート学習を計算理論によるデータプライバシー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。 さらに、提案した量子フェデレーション学習シナリオでは、サーバが情報を抽出することなく暗号化された量子データを操作することができるため、クライアント側からのローカル量子デバイスに対する計算負担は少ない。 さらに、教師付き学習におけるある種の量子スピードアップが、量子カーネル手法を用いたプライベートデリゲート学習シナリオにまたがることを示す。 当社の結果は,クラウド上でのプライバシ保証型量子学習への貴重なガイドを提供するとともに,今後の研究やセキュリティ関連のアプリケーションにも役立つだろう。

関連論文リスト

• 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)
• 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)
• 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)
• 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)
• Unclonability and Quantum Cryptanalysis: From Foundations to Applications [0.0]
  不規則性(Unclonability)は、量子理論の基本概念であり、量子情報の主要な非古典的性質の1つである。 我々は、量子世界、すなわち量子物理学的不閉性(quantum physical unclonability)という新しい非閉性の概念を導入する。 本稿では、暗号資源として、この新しいタイプの無拘束性(unclonability)のいくつかの応用について論じ、確実に安全な量子プロトコルを設計する。
  論文  参考訳（メタデータ） (2022-10-31T17:57:09Z)
• Probably approximately correct quantum source coding [0.0]
  Holevo と Nayak の境界は、量子状態に格納できる古典的な情報の量を推定する。 量子学習理論における2つの新しい応用と、純粋に古典的なクライアントを用いた代入量子計算について述べる。
  論文  参考訳（メタデータ） (2021-12-13T17:57:30Z)
• 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)
• Quantum noise protects quantum classifiers against adversaries [120.08771960032033]
  量子情報処理におけるノイズは、特に短期的な量子技術において、破壊的で避け難い特徴と見なされることが多い。 量子回路の非偏極雑音を利用して分類を行うことにより、敵に縛られるロバスト性を導出できることを示す。 これは、最も一般的な敵に対して使用できる最初の量子プロトコルである。
  論文  参考訳（メタデータ） (2020-03-20T17:56:14Z)

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。