論文の概要: Quantum-Evolutionary Neural Networks for Multi-Agent Federated Learning

• arxiv url: http://arxiv.org/abs/2505.15836v1
• Date: Fri, 16 May 2025 20:51:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:47.796892
• Title: Quantum-Evolutionary Neural Networks for Multi-Agent Federated Learning
• Title（参考訳）: マルチエージェントフェデレーション学習のための量子進化型ニューラルネットワーク
• Authors: Aarav Lala, Kalyan Cherukuri,
• Abstract要約: 本稿では,量子インスパイアされたニューラルネットワークと進化的アルゴリズムを組み合わせて,マルチエージェントシステムにおけるリアルタイム意思決定を最適化する新しいフレームワークを提案する。 このフレームワークは、エージェントがリアルタイムで環境に適応できるように設計されており、自律システムやスマートシティ、ヘルスケアといった分野のアプリケーションに対する意思決定プロセスを最適化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As artificial intelligence continues to drive innovation in complex, decentralized environments, the need for scalable, adaptive, and privacy-preserving decision-making systems has become critical. This paper introduces a novel framework combining quantum-inspired neural networks with evolutionary algorithms to optimize real-time decision-making in multi-agent systems (MAS). The proposed Quantum-Evolutionary Neural Network (QE-NN) leverages quantum computing principles -- such as quantum superposition and entanglement -- to enhance learning speed and decision accuracy, while integrating evolutionary optimization to continually refine agent behaviors in dynamic, uncertain environments. By utilizing federated learning, QE-NN ensures privacy preservation, enabling decentralized agents to collaborate without sharing sensitive data. The framework is designed to allow agents to adapt in real-time to their environments, optimizing decision-making processes for applications in areas such as autonomous systems, smart cities, and healthcare. This research represents a breakthrough in merging quantum computing, evolutionary optimization, and privacy-preserving techniques to solve complex problems in multi-agent decision-making systems, pushing the boundaries of AI in real-world, privacy-sensitive applications.
• Abstract（参考訳）: 人工知能が複雑で分散化された環境におけるイノベーションを推し進めている中、スケーラブルで適応的でプライバシ保護の意思決定システムの必要性が重要になっている。 本稿では、マルチエージェントシステム(MAS)におけるリアルタイム意思決定を最適化するために、量子インスパイアされたニューラルネットワークと進化的アルゴリズムを組み合わせた新しいフレームワークを提案する。 提案された量子進化ニューラルネットワーク(QE-NN)は、量子重ね合わせや絡み合いなどの量子コンピューティングの原理を活用して、学習速度と決定精度を高めながら、進化的最適化を統合し、動的で不確実な環境でエージェントの振る舞いを継続的に洗練する。 フェデレーション学習を利用することで、QE-NNはプライバシ保護を確保し、機密データを共有することなく、分散エージェントのコラボレーションを可能にする。 このフレームワークは、エージェントがリアルタイムで環境に適応できるように設計されており、自律システムやスマートシティ、ヘルスケアといった分野のアプリケーションに対する意思決定プロセスを最適化する。 この研究は、マルチエージェント意思決定システムにおける複雑な問題を解決するために、量子コンピューティング、進化的最適化、およびプライバシ保護技術を統合する画期的な試みであり、現実のプライバシに敏感なアプリケーションにおけるAIの境界を押し進めている。

関連論文リスト

• Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [59.52058740470727]
  エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。 AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。 この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
  論文  参考訳（メタデータ） (2025-05-03T13:55:38Z)
• Advances and Challenges in Foundation Agents: From Brain-Inspired Intelligence to Evolutionary, Collaborative, and Safe Systems [133.45145180645537]
  大規模言語モデル(LLM)の出現は、人工知能の変革的シフトを触媒している。 これらのエージェントがAI研究と実践的応用をますます推進するにつれて、その設計、評価、継続的な改善は複雑で多面的な課題を呈している。 この調査は、モジュール化された脳にインスパイアされたアーキテクチャ内でインテリジェントエージェントをフレーミングする、包括的な概要を提供する。
  論文  参考訳（メタデータ） (2025-03-31T18:00:29Z)
• FL-QDSNNs: Federated Learning with Quantum Dynamic Spiking Neural Networks [4.635820333232683]
  本稿では,FL-QDSNN(Federated Learning-Quantum Dynamic Spiking Neural Networks)フレームワークを紹介する。 私たちのフレームワークの中心は、量子スパイキングニューラルネットワーク(QSNN)における量子ゲートを活性化するための新しい動的しきい値機構である。 我々のFL-QDSNNsフレームワークは、Irisデータセットで94%の精度を示し、既存のQuantum Federated Learning(QFL)アプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2024-12-03T09:08:33Z)
• Quantum Computing and Neuromorphic Computing for Safe, Reliable, and explainable Multi-Agent Reinforcement Learning: Optimal Control in Autonomous Robotics [0.0]
  本稿では,安全性,信頼性,説明可能なマルチエージェント強化学習(MARL)における量子コンピューティングとニューロモルフィックコンピューティングの利用について検討する。 目的は、自律エージェントの動作を最適化し、安全性、信頼性、説明可能性を確保するという課題に対処することであった。
  論文  参考訳（メタデータ） (2024-07-29T15:43:30Z)
• Enhancing learning in spiking neural networks through neuronal heterogeneity and neuromodulatory signaling [52.06722364186432]
  人工ニューラルネットワーク(ANN)の強化のための生物学的インフォームドフレームワークを提案する。 提案したデュアルフレームアプローチは、多様なスパイキング動作をエミュレートするためのスパイキングニューラルネットワーク(SNN)の可能性を強調している。 提案手法は脳にインスパイアされたコンパートメントモデルとタスク駆動型SNN, バイオインスピレーション, 複雑性を統合している。
  論文  参考訳（メタデータ） (2024-07-05T14:11:28Z)
• Dynamic Inhomogeneous Quantum Resource Scheduling with Reinforcement Learning [17.229068960497273]
  量子情報科学と技術における中心的な課題は、量子システムのリアルタイム推定とフィードフォワード制御の実現である。 量子ビット対の自己アテンション機構を強調するトランスフォーマーモデルを用いた新しいフレームワークを提案する。 提案手法は量子システムの性能を著しく改善し,ルールベースエージェントよりも3ドル以上向上する。
  論文  参考訳（メタデータ） (2024-05-25T23:39:35Z)
• Generative AI-enabled Quantum Computing Networks and Intelligent Resource Allocation [80.78352800340032]
  量子コンピューティングネットワークは、大規模な生成AI計算タスクと高度な量子アルゴリズムを実行する。 量子コンピューティングネットワークにおける効率的なリソース割り当ては、量子ビットの可変性とネットワークの複雑さのために重要な課題である。 我々は、生成学習から量子機械学習まで、最先端強化学習(RL)アルゴリズムを導入し、最適な量子リソース割り当てを行う。
  論文  参考訳（メタデータ） (2024-01-13T17:16:38Z)
• Recent Advances in Scalable Energy-Efficient and Trustworthy Spiking Neural networks: from Algorithms to Technology [11.479629320025673]
  スパイキングニューラルネットワーク(SNN)は、幅広い信号処理アプリケーションのために、ディープニューラルネットワークの魅力的な代替品となっている。 我々は、低レイテンシとエネルギー効率のSNNを効率的に訓練し、拡張するためのアルゴリズムと最適化の進歩について述べる。 デプロイ可能なSNNシステム構築における研究の今後の可能性について論じる。
  論文  参考訳（メタデータ） (2023-12-02T19:47:00Z)
• SpikingJelly: An open-source machine learning infrastructure platform for spike-based intelligence [51.6943465041708]
  スパイキングニューラルネットワーク(SNN)は、高エネルギー効率のニューロモルフィックチップに脳にインスパイアされたインテリジェンスを実現することを目的としている。 我々は、ニューロモルフィックデータセットの事前処理、深層SNNの構築、パラメータの最適化、およびニューロモルフィックチップへのSNNのデプロイのためのフルスタックツールキットをコントリビュートする。
  論文  参考訳（メタデータ） (2023-10-25T13:15:17Z)

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。