論文の概要: Quantum Federated Learning for Multimodal Data: A Modality-Agnostic Approach

• arxiv url: http://arxiv.org/abs/2507.08217v1
• Date: Thu, 10 Jul 2025 23:33:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-14 18:03:54.203988
• Title: Quantum Federated Learning for Multimodal Data: A Modality-Agnostic Approach
• Title（参考訳）: マルチモーダルデータの量子フェデレーション学習--モダリティに依存しないアプローチ
• Authors: Atit Pokharel, Ratun Rahman, Thomas Morris, Dinh C. Nguyen,
• Abstract要約: 分散プライバシ保護量子機械学習(QML)モデルを量子プロセッサ(クライアント)間でトレーニング可能にするために、量子フェデレーション学習(QFL)が導入されている。 量子エンタングルメントを用いた中間核融合によるQFL設定に適した新しいマルチモーダルアプローチを初めて提示する。 我々は、未学習の量子回路を分離し、破損状態のない安定したトレーニングを確実にする、ミス・モダリティ・アグノスティック(MMA)機構を導入する。
• 参考スコア（独自算出の注目度）: 1.1008520905907015
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum federated learning (QFL) has been recently introduced to enable a distributed privacy-preserving quantum machine learning (QML) model training across quantum processors (clients). Despite recent research efforts, existing QFL frameworks predominantly focus on unimodal systems, limiting their applicability to real-world tasks that often naturally involve multiple modalities. To fill this significant gap, we present for the first time a novel multimodal approach specifically tailored for the QFL setting with the intermediate fusion using quantum entanglement. Furthermore, to address a major bottleneck in multimodal QFL, where the absence of certain modalities during training can degrade model performance, we introduce a Missing Modality Agnostic (MMA) mechanism that isolates untrained quantum circuits, ensuring stable training without corrupted states. Simulation results demonstrate that the proposed multimodal QFL method with MMA yields an improvement in accuracy of 6.84% in independent and identically distributed (IID) and 7.25% in non-IID data distributions compared to the state-of-the-art methods.
• Abstract（参考訳）: 量子フェデレーション学習(QFL)は、最近導入され、量子プロセッサ(クライアント)間での分散プライバシ保護量子機械学習(QML)モデルのトレーニングを可能にする。 最近の研究努力にもかかわらず、既存のQFLフレームワークは、主に、複数のモダリティを含む実世界のタスクに適用性を制限する、非モダルシステムに焦点を当てている。 この大きなギャップを埋めるために、量子エンタングルメントを用いた中間融合を伴うQFL設定に適した新しいマルチモーダルアプローチを初めて提示する。 さらに、トレーニング中に特定のモードが存在しないことでモデル性能が低下するマルチモーダルQFLの大きなボトルネックに対処するために、未学習の量子回路を分離し、破損状態のない安定したトレーニングを確実にするミス・モダリティ・アグノスティック(MMA)機構を導入する。 シミュレーションの結果,MMAを用いたマルチモーダルQFL法では,非IIDデータ分布の精度が6.84%,非IIDデータ分布が7.25%向上した。

関連論文リスト

• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• Tackling Heterogeneity in Quantum Federated Learning: An Integrated Sporadic-Personalized Approach [7.995944232955725]
  本研究では,単一QFLフレームワークにおける量子ノイズとデータ不均一性を同時に処理するSPQFLという,新規な散発的個人化手法を提案する。 提案するSPQFLフレームワークに対して,散発的およびパーソナライズされた学習を考慮した厳密な収束分析を行う。 実世界のデータセットにおける大規模なシミュレーションの結果は、提案したSPQFLアプローチがトレーニング性能と収束安定性の面で大きな改善をもたらすことを示している。
  論文  参考訳（メタデータ） (2026-01-11T23:29:08Z)
• Expressive and Scalable Quantum Fusion for Multimodal Learning [16.82193084379014]
  提案手法は量子融合層 (Quantum Fusion Layer, QFL) と呼ばれ、古典的な融合スキームをハイブリッドな量子古典的手順で置き換える。 シミュレーションでは、QFLは小さなが多様なマルチモーダルタスクにおいて、強い古典的ベースラインを一貫して上回る。 これらの結果は、QFLがマルチモーダル融合に対する根本的に新しいスケーラブルなアプローチを提供し、より大きなシステムに対するより深い探索に役立つことを示唆している。
  論文  参考訳（メタデータ） (2025-10-08T12:19:44Z)
• Adversarial Robustness in Distributed Quantum Machine Learning [10.679753825744964]
  量子機械学習(QML)モデルの敵対的堅牢性の研究は、古典的モデルに対するその潜在的な利点を理解し、信頼できるシステムを構築するために不可欠である。 分散QMLモデルにより、複数の量子プロセッサを活用して、個々のデバイスの制限を克服し、スケーラブルなシステムを構築することができる。 本研究は,これらの分散手法の違いを概観し,各パラダイムを用いた分散におけるQMLモデルの対角的ロバスト性に関する既存のアプローチを要約し,その領域におけるオープンな疑問について論じる。
  論文  参考訳（メタデータ） (2025-08-16T00:01:51Z)
• Sporadic Federated Learning Approach in Quantum Environment to Tackle Quantum Noise [1.2026018242953707]
  SpoQFLはノイズ変動に基づくトレーニング戦略を動的に調整する。 実世界のデータセットの実験により、SpotQFLは従来のQFLアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2025-07-15T20:30:11Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Quantum Knowledge Distillation for Large Language Models [10.023534560183919]
  大規模言語モデルのための量子知識蒸留モデル(QD-LLM)を提案する。 古典的シミュレーションでは、QD-LLMは複数のテキスト分類タスクにおいていくつかの主流蒸留法より優れている。 得られた回路をQuafuプラットフォームを介してBaihua超伝導量子プロセッサ上に展開し,実用性を評価する。
  論文  参考訳（メタデータ） (2025-05-19T14:56:24Z)
• Outlier-Robust Multi-Model Fitting on Quantum Annealers [29.24367815462826]
  マルチモデルフィッティング(MMF)はコンピュータビジョンにおいて重要な課題である。 既存の量子ベースのモデルフィッティングのアプローチは、単一のモデルに制限されるか、または、外れ値のないデータセット内のマルチモデルシナリオを考慮するかのいずれかである。 本稿では,外乱を効果的に扱えるロバスト量子マルチモデルフィッティング(R-QuMF)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-18T17:59:53Z)
• MQFL-FHE: Multimodal Quantum Federated Learning Framework with Fully Homomorphic Encryption [5.713063730561454]
  フェデレートラーニング(FL)における同型暗号化(FHE)は、データのプライバシに大きな進歩をもたらした。 本稿では,FHEによる性能低下に対応するために,量子コンピューティングを利用した新しいマルチモーダル量子フェデレート学習フレームワークを提案する。 また、この量子化手法により、FHEに関連する性能劣化を軽減し、さまざまなデータセットの分類精度を改善し、FLにおけるプライバシー向上における量子介入の可能性を検証する。
  論文  参考訳（メタデータ） (2024-11-30T19:53:25Z)
• 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)
• Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
  量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。 関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。 量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-21T21:40:47Z)
• Multimodal deep representation learning for quantum cross-platform verification [60.01590250213637]
  初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。 本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。 我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
  論文  参考訳（メタデータ） (2023-11-07T04:35:03Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• A novel approach for quantum financial simulation and quantum state preparation [1.394020838319518]
  量子コンピュータの有望な応用の1つは量子シミュレーションである。 本研究では,マルチスプリットステップ量子ウォーク(multi-SSQW)という新しいシミュレーションアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-08-03T16:08:11Z)
• QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
  SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。 短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
  論文  参考訳（メタデータ） (2022-07-14T12:22:51Z)
• 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)

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。