論文の概要: New Insights on Unfolding and Fine-tuning Quantum Federated Learning

• arxiv url: http://arxiv.org/abs/2506.20016v1
• Date: Tue, 24 Jun 2025 21:17:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.537399
• Title: New Insights on Unfolding and Fine-tuning Quantum Federated Learning
• Title（参考訳）: 量子フェデレーション学習の展開と微調整
• Authors: Shanika Iroshi Nanayakkara, Shiva Raj Pokhrel,
• Abstract要約: 本研究は,Quantum Federated Learning(QFL)の中核的な限界に対処し,医療やゲノム研究などの複雑な課題への適用性を合理化したものである。 自己適応型微調整の開発により, 遺伝子発現解析や癌検出, 診断精度の向上, 量子システム内における予測モデリングなどの重要な応用に特に有効であることが証明された。
• 参考スコア（独自算出の注目度）: 12.248184406275405
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Client heterogeneity poses significant challenges to the performance of Quantum Federated Learning (QFL). To overcome these limitations, we propose a new approach leveraging deep unfolding, which enables clients to autonomously optimize hyperparameters, such as learning rates and regularization factors, based on their specific training behavior. This dynamic adaptation mitigates overfitting and ensures robust optimization in highly heterogeneous environments where standard aggregation methods often fail. Our framework achieves approximately 90% accuracy, significantly outperforming traditional methods, which typically yield around 55% accuracy, as demonstrated through real-time training on IBM quantum hardware and Qiskit Aer simulators. By developing self adaptive fine tuning, the proposed method proves particularly effective in critical applications such as gene expression analysis and cancer detection, enhancing diagnostic precision and predictive modeling within quantum systems. Our results are attributed to convergence-aware, learnable optimization steps intrinsic to the deep unfolded framework, which maintains the generalization. Hence, this study addresses the core limitations of conventional QFL, streamlining its applicability to any complex challenges such as healthcare and genomic research.
• Abstract（参考訳）: クライアントの不均一性は、量子フェデレートラーニング(QFL)のパフォーマンスに重大な課題をもたらす。 これらの制限を克服するために,クライアントが学習率や正規化要因などのハイパーパラメータを,特定のトレーニング行動に基づいて自律的に最適化できる,深層展開を活用した新しいアプローチを提案する。 この動的適応はオーバーフィッティングを軽減し、標準アグリゲーション法がしばしば失敗する非常に異質な環境において堅牢な最適化を保証する。 我々のフレームワークは、IBMの量子ハードウェアとQiskit Aerシミュレータのリアルタイムトレーニングによって示されるように、従来の手法よりも約90%の精度を実現し、従来の手法よりもはるかに優れています。 自己適応型微調整の開発により, 遺伝子発現解析や癌検出, 診断精度の向上, 量子システム内における予測モデリングなどの重要な応用に特に有効であることが証明された。 本研究の結果は,一般化を維持している深層展開フレームワークに固有の,収束性に配慮した学習可能な最適化手順によるものである。 そこで本研究では,従来のQFLの限界に対処し,医療やゲノム研究などの複雑な課題への適用性を合理化している。

関連論文リスト

• Quantum-Enhanced Attention Mechanism in NLP: A Hybrid Classical-Quantum Approach [0.0]
  トランスフォーマーベースのモデルは、テキスト分類や機械翻訳といった自然言語処理(NLP)タスクにおいて顕著な成果を上げている。 本研究は,これらの制約に対処するために,量子強調アテンション機構を統合したハイブリッド量子古典変換器モデルを提案する。
  論文  参考訳（メタデータ） (2025-01-26T18:29:06Z)
• Q-MAML: Quantum Model-Agnostic Meta-Learning for Variational Quantum Algorithms [4.525216077859531]
  モデル非依存メタラーニング(MAML)技術にインスパイアされた古典的手法を用いて,パラメータ化量子回路(PQC)を最適化するための新しいフレームワークを提案する。 我々のフレームワークはLearnerと呼ばれる古典的なニューラルネットワークを備えており、Learnerの出力を初期パラメータとしてPQCと相互作用する。 適応フェーズでは、学習者は変わらないまま、より正確な値に収束するために、いくつかのPQC更新しか必要としない。
  論文  参考訳（メタデータ） (2025-01-10T12:07:00Z)
• On the Convergence of DP-SGD with Adaptive Clipping [56.24689348875711]
  勾配クリッピングによるグラディエントDescentは、微分プライベート最適化を実現するための強力な技術である。 本稿では,量子クリッピング(QC-SGD)を用いたSGDの総合収束解析について述べる。 本稿では,QC-SGDが一定閾値クリッピングSGDに類似したバイアス問題にどのように悩まされているかを示す。
  論文  参考訳（メタデータ） (2024-12-27T20:29:47Z)
• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• Untrained Filtering with Trained Focusing for Superior Quantum Architecture Search [14.288836269941207]
  量子アーキテクチャサーチ(QAS)は、量子機械学習における根本的な課題である。 探索過程を粗大かつきめ細かい知識学習の動的交互フェーズに分解する。 QUEST-Aは,多段階の知識伝達を促進するために,知識蓄積と再利用を伴う進化的メカニズムを開発する。
  論文  参考訳（メタデータ） (2024-10-31T01:57:14Z)
• Neural Projected Quantum Dynamics: a systematic study [0.0]
  ニューラル量子状態を用いた大規模システムにおけるユニタリ量子力学のシミュレーションの課題に対処する。 この研究は、予測時間依存変分モンテカルロ法(p-tVMC)の包括的な形式化を提供する。
  論文  参考訳（メタデータ） (2024-10-14T17:01:33Z)
• Achieving Constraints in Neural Networks: A Stochastic Augmented Lagrangian Approach [49.1574468325115]
  DNN(Deep Neural Networks)の正規化は、一般化性の向上とオーバーフィッティングの防止に不可欠である。 制約付き最適化問題としてトレーニングプロセスのフレーミングによるDNN正規化に対する新しいアプローチを提案する。 我々はAugmented Lagrangian (SAL) 法を用いて、より柔軟で効率的な正規化機構を実現する。
  論文  参考訳（メタデータ） (2023-10-25T13:55:35Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)
• Constrained multi-objective optimization of process design parameters in settings with scarce data: an application to adhesive bonding [48.7576911714538]
  接着プロセスに最適なプロセスパラメータを見つけることは困難である。 遺伝的アルゴリズムのような伝統的な進化的アプローチは、その問題を解決するのに不適である。 本研究では,目的関数と制約関数をエミュレートするために,特定の機械学習手法をうまく応用した。
  論文  参考訳（メタデータ） (2021-12-16T10:14:39Z)

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。