論文の概要: Q-DPTS: Quantum Differentially Private Time Series Forecasting via Variational Quantum Circuits
- arxiv url: http://arxiv.org/abs/2508.05036v1
- Date: Thu, 07 Aug 2025 05:23:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-08 18:59:39.715311
- Title: Q-DPTS: Quantum Differentially Private Time Series Forecasting via Variational Quantum Circuits
- Title（参考訳）: Q-DPTS:変分量子回路による量子差分プライベート時系列予測
- Authors: Chi-Sheng Chen, Samuel Yen-Chi Chen,
- Abstract要約: 我々はQ-DPTSを提案する。Q-DPTSは量子差分時時系列予測のためのハイブリッド量子古典的フレームワークである。
Q-DPTSは、変動量子回路とサンプルごとの勾配クリッピングとガウスノイズ注入を組み合わせることで、厳密な$(epsilon, delta)$-differential privacyを保証する。
結果は,Q-DPTSが同一のプライバシー予算の下で常に低い予測誤差を達成していることを示す。
- 参考スコア（独自算出の注目度）: 3.1219529587298727
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series forecasting is vital in domains where data sensitivity is paramount, such as finance and energy systems. While Differential Privacy (DP) provides theoretical guarantees to protect individual data contributions, its integration especially via DP-SGD often impairs model performance due to injected noise. In this paper, we propose Q-DPTS, a hybrid quantum-classical framework for Quantum Differentially Private Time Series Forecasting. Q-DPTS combines Variational Quantum Circuits (VQCs) with per-sample gradient clipping and Gaussian noise injection, ensuring rigorous $(\epsilon, \delta)$-differential privacy. The expressiveness of quantum models enables improved robustness against the utility loss induced by DP mechanisms. We evaluate Q-DPTS on the ETT (Electricity Transformer Temperature) dataset, a standard benchmark for long-term time series forecasting. Our approach is compared against both classical and quantum baselines, including LSTM, QASA, QRWKV, and QLSTM. Results demonstrate that Q-DPTS consistently achieves lower prediction error under the same privacy budget, indicating a favorable privacy-utility trade-off. This work presents one of the first explorations into quantum-enhanced differentially private forecasting, offering promising directions for secure and accurate time series modeling in privacy-critical scenarios.
- Abstract（参考訳）: 時系列予測は、金融やエネルギーシステムなど、データの感度が最重要である領域において不可欠である。
差分プライバシー(DP)は、個々のデータコントリビューションを保護する理論的保証を提供するが、特にDP-SGDによる統合は、注入ノイズによるモデルパフォーマンスを損なうことが多い。
本稿では,Q-DPTSを提案する。Q-DPTSは量子微分プライベート時系列予測のためのハイブリッド量子古典的フレームワークである。
Q-DPTSは、変動量子回路(VQC)とサンプルごとの勾配クリッピングとガウスノイズ注入を組み合わせることで、厳密な$(\epsilon, \delta)$-differential privacyを保証する。
量子モデルの表現性は、DP機構によって誘導されるユーティリティ損失に対する堅牢性を改善することができる。
長期時系列予測の標準ベンチマークであるETT(Electricity Transformer Temperature)データセットのQ-DPTSを評価する。
我々のアプローチは、LSTM、QASA、QRWKV、QLSTMなどの古典的および量子的ベースラインと比較される。
結果は,Q-DPTSが同一のプライバシー予算の下で常に低い予測誤差を達成していることを示す。
この研究は、プライバシクリティカルなシナリオにおけるセキュアで正確な時系列モデリングのための有望な方向を提供する量子強調差分プライベート予測に関する最初の調査の1つを示す。
関連論文リスト
- Quantum Temporal Fusion Transformer [4.757470449749876]
TFT(Temporal Fusion Transformer)は、マルチホライゾン時系列予測用に設計された、最先端の注目ベースのディープニューラルネットワークアーキテクチャである。
本稿では,古典的フレームワークの能力を拡張した量子拡張型ハイブリッド量子古典アーキテクチャである量子時間核融合変換器(QTFT)を提案する。
論文 参考訳（メタデータ） (2025-08-06T03:21:20Z) - Calibration of Quantum Devices via Robust Statistical Methods [45.464983015777314]
量子パラメータ学習の最先端技術に対するベイズ推論の高度な統計的手法を数値解析する。
既存のアプローチ、すなわち多モード性および高次元性において、これらのアプローチの利点を示す。
我々の発見は、オープン量子システムの力学を学習する量子キャラクタリゼーションの課題に応用できる。
論文 参考訳（メタデータ） (2025-07-09T15:22:17Z) - Towards A Hybrid Quantum Differential Privacy [22.644150711891008]
量子微分プライバシー(QDP)は、固有の量子ノイズを利用してプライバシーを保護する。
本稿では,QDPに有用なノイズタイプを特定し,理論的モデルを超えた実用的な実装の必要性を強調した。
論文 参考訳（メタデータ） (2025-01-14T05:13:37Z) - 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) - Bayesian Quantum Amplitude Estimation [49.1574468325115]
量子振幅推定のための問題調整およびノイズ認識ベイズアルゴリズムであるBAEを提案する。
耐障害性シナリオでは、BAEはハイゼンベルク限界を飽和させることができ、デバイスノイズが存在する場合、BAEはそれを動的に特徴付け、自己適応することができる。
本稿では,振幅推定アルゴリズムのベンチマークを提案し,他の手法に対してBAEをテストする。
論文 参考訳（メタデータ） (2024-12-05T18:09:41Z) - Bridging Quantum Computing and Differential Privacy: Insights into Quantum Computing Privacy [15.024190374248088]
微分プライバシー(DP)は量子領域、すなわち量子微分プライバシー(QDP)に拡張されている。
QDPは、プライバシ保護量子コンピューティングに対する最も有望なアプローチの1つになるかもしれない。
本稿では,QDPの各種実装とその性能を,DP設定下でのプライバシパラメータの観点から概説する。
論文 参考訳（メタデータ） (2024-03-14T08:40:30Z) - 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) - Harnessing high-dimensional temporal entanglement using limited interferometric setups [41.94295877935867]
偏極時間領域における高次元エンタングルメントの最初の完全解析法を開発した。
本稿では,量子鍵分布において,関連する密度行列要素とセキュリティパラメータを効率的に認証する方法を示す。
自由空間量子通信の耐雑音性をさらに高める新しい構成を提案する。
論文 参考訳（メタデータ） (2023-08-08T17:44:43Z) - Quantum Pufferfish Privacy: A Flexible Privacy Framework for Quantum Systems [19.332726520752846]
量子フグプライバシ(QPP)と呼ばれる量子システムのための多用途プライバシフレームワークを提案する。
古典的なフグのプライバシーにインスパイアされた私たちの定式化は、量子微分プライバシーの限界を一般化し対処します。
ここでは,QPPはダッタ・レディツキー情報スペクトルのばらつきの観点から等価に定式化可能であることを示す。
論文 参考訳（メタデータ） (2023-06-22T17:21:17Z) - Quantum Conformal Prediction for Reliable Uncertainty Quantification in
Quantum Machine Learning [47.991114317813555]
量子モデルは暗黙の確率予測器を実装し、測定ショットを通じて各入力に対して複数のランダムな決定を生成する。
本稿では、そのようなランダム性を利用して、モデルの不確実性を確実に捉えることができる分類と回帰の両方の予測セットを定義することを提案する。
論文 参考訳（メタデータ） (2023-04-06T22:05:21Z) - Q-fid: Quantum Circuit Fidelity Improvement with LSTM Networks [0.6062751776009752]
量子回路(QC)の忠実性は、ハードウェア特性、キャリブレーション状態、トランスパイルプロセスなど、いくつかの要因の影響を受けている。
Q-fidは、Long Short-Term Memory (LSTM)ベースの忠実度予測システムであり、量子回路の忠実度を定量化するために設計された新しいメートル法を伴っている。
Q-fidは平均RMSE 0.0515で高い予測精度を達成し、Qiskitトランスパイルツールのマポマティックよりも24.7倍正確である。
論文 参考訳（メタデータ） (2023-03-30T16:44:12Z) - Differentially Private Deep Q-Learning for Pattern Privacy Preservation
in MEC Offloading [76.0572817182483]
攻撃者は、エッジサーバ(ES)のキュー情報とユーザの使用パターンを推測するために、オフロードの決定を盗み取ることができる。
パターンプライバシ(PP)を維持しつつ,レイテンシ,ESのエネルギー消費,タスク削減率を両立させるオフロード戦略を提案する。
そこで我々はDP-DQOアルゴリズムを開発し,PP問題にノイズを注入することでこの問題に対処する。
論文 参考訳（メタデータ） (2023-02-09T12:50:18Z) - When BERT Meets Quantum Temporal Convolution Learning for Text
Classification in Heterogeneous Computing [75.75419308975746]
本研究は,変分量子回路に基づく垂直連合学習アーキテクチャを提案し,テキスト分類のための量子化事前学習BERTモデルの競争性能を実証する。
目的分類実験により,提案したBERT-QTCモデルにより,SnipsおよびATIS音声言語データセットの競合実験結果が得られた。
論文 参考訳（メタデータ） (2022-02-17T09:55:21Z)
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。