論文の概要: Practical quantum federated learning and its experimental demonstration

• arxiv url: http://arxiv.org/abs/2501.12709v1
• Date: Wed, 22 Jan 2025 08:28:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-23 16:53:44.547432
• Title: Practical quantum federated learning and its experimental demonstration
• Title（参考訳）: 実践的量子連合学習とその実験的実証
• Authors: Zhi-Ping Liu, Xiao-Yu Cao, Hao-Wen Liu, Xiao-Ran Sun, Yu Bao, Yu-Shuo Lu, Hua-Lei Yin, Zeng-Bing Chen,
• Abstract要約: 本稿では,量子ネットワーク上での実践的な量子フェデレーション学習フレームワークを提案する。 スケーラブルな構造を持つ4サイクル量子ネットワーク上で,我々のフレームワークを実験的に検証した。 私たちの研究は、スケーラブルで効率的で量子セキュアな機械学習システムを構築する上で、重要な洞察を提供する。
• 参考スコア（独自算出の注目度）: 16.652124459831946
• License:
• Abstract: Federated learning is essential for decentralized, privacy-preserving model training in the data-driven era. Quantum-enhanced federated learning leverages quantum resources to address privacy and scalability challenges, offering security and efficiency advantages beyond classical methods. However, practical and scalable frameworks addressing privacy concerns in the quantum computing era remain undeveloped. Here, we propose a practical quantum federated learning framework on quantum networks, utilizing distributed quantum secret keys to protect local model updates and enable secure aggregation with information-theoretic security. We experimentally validate our framework on a 4-client quantum network with a scalable structure. Extensive numerical experiments on both quantum and classical datasets show that adding a quantum client significantly enhances the trained global model's ability to classify multipartite entangled and non-stabilizer quantum datasets. Simulations further demonstrate scalability to 200 clients with classical models trained on the MNIST dataset, reducing communication costs by $75\%$ through advanced model compression techniques and achieving rapid training convergence. Our work provides critical insights for building scalable, efficient, and quantum-secure machine learning systems for the coming quantum internet era.
• Abstract（参考訳）: フェデレーション学習は、データ駆動時代における分散型のプライバシ保護モデルトレーニングに不可欠である。 量子強化されたフェデレーション学習は、量子リソースを活用してプライバシとスケーラビリティの課題に対処し、古典的な方法を超えたセキュリティと効率性を提供する。 しかし、量子コンピューティング時代のプライバシー問題に対処する実用的でスケーラブルなフレームワークは未開発のままである。 本稿では、分散量子秘密鍵を用いて、局所的なモデル更新を保護し、情報理論セキュリティによる安全なアグリゲーションを可能にする、量子ネットワーク上の実用的な量子フェデレーション学習フレームワークを提案する。 スケーラブルな構造を持つ4サイクル量子ネットワーク上で,我々のフレームワークを実験的に検証した。 量子および古典的データセットの広範な数値実験により、量子クライアントを追加することで、訓練されたグローバルモデルの多部および非安定化量子データセットを分類する能力が大幅に向上することが示された。 シミュレーションでは、MNISTデータセットでトレーニングされた古典的なモデルで200のクライアントにスケーラビリティを実証し、高度なモデル圧縮技術により通信コストを7,5\%削減し、迅速なトレーニング収束を達成する。 私たちの研究は、今後の量子インターネット時代に向けて、スケーラブルで効率的で量子セキュアな機械学習システムを構築するための重要な洞察を提供する。

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)
• 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)
• Quantum Federated Learning With Quantum Networks [7.842152902652214]
  本稿では,古典データとハブ-スポークトポロジを用いた通信のための量子古典的転送学習手法を提案する。 量子通信は盗聴攻撃から安全であり、量子から古典への変換の計測は行わないが、クローニング定理がないため、ハブ・スポークトポロジーは量子メモリなしでの量子通信には理想的ではない。 また、量子フェデレート学習における量子ウェイトの最初の成功例も示しています。
  論文  参考訳（メタデータ） (2023-10-23T16:45:29Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Classical Verification of Quantum Learning [42.362388367152256]
  量子学習の古典的検証のための枠組みを開発する。 そこで我々は,新しい量子データアクセスモデルを提案し,これを"mixture-of-superpositions"量子例と呼ぶ。 この結果から,学習課題における量子データの潜在能力は無限ではないものの,古典的エージェントが活用できることが示唆された。
  論文  参考訳（メタデータ） (2023-06-08T00:31:27Z)
• 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)
• 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。