論文の概要: Federated Quantum Kernel-Based Long Short-term Memory for Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2508.06078v1
• Date: Fri, 08 Aug 2025 07:17:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.116682
• Title: Federated Quantum Kernel-Based Long Short-term Memory for Human Activity Recognition
• Title（参考訳）: フェデレーション量子カーネルを用いた人間の活動認識のための長期記憶
• Authors: Yu-Chao Hsu, Jiun-Cheng Jiang, Chun-Hua Lin, Wei-Ting Chen, Kuo-Chung Peng, Prayag Tiwari, Samuel Yen-Chi Chen, En-Jui Kuo,
• Abstract要約: 本稿では,Fed-QK-LSTM(Federated Quantum Kernel-Based Long Short-term Memory)フレームワークを紹介する。 Fed-QK-LSTMフレームワーク内では,プライバシに敏感な環境下でのヒューマンアクティビティ認識(HAR)を強化する。 我々は、実世界のアプリケーションにおいて、堅牢でプライバシーに配慮した人間の活動認識のためのFed-QK-LSTMフレームワークの可能性を示す。
• 参考スコア（独自算出の注目度）: 12.82920414864798
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this work, we introduce the Federated Quantum Kernel-Based Long Short-term Memory (Fed-QK-LSTM) framework, integrating the quantum kernel methods and Long Short-term Memory into federated learning.Within Fed-QK-LSTM framework, we enhance human activity recognition (HAR) in privacy-sensitive environments and leverage quantum computing for distributed learning systems.The DeepConv-QK-LSTM architecture on each client node employs convolutional layers for efficient local pattern capture, this design enables the use of a shallow QK-LSTM to model long-range relationships within the HAR data.The quantum kernel method enables the model to capture complex non-linear relationships in multivariate time-series data with fewer trainable parameters.Experimental results on RealWorld HAR dataset demonstrate that Fed-QK-LSTM framework achieves competitive accuracy across different client settings and local training rounds.We showcase the potential of Fed-QK-LSTM framework for robust and privacy-preserving human activity recognition in real-world applications, especially in edge computing environments and on scarce quantum devices.
• Abstract（参考訳）: 本稿では、Fed-QK-LSTM(Federated Quantum Kernel-Based Long Short-term Memory)フレームワークを導入し、量子カーネル手法とLong Short-term Memoryをフェデレートラーニングに統合する。Fed-QK-LSTMフレームワークでは、プライバシに敏感な環境でのヒューマンアクティビティ認識(HAR)を強化し、分散ラーニングシステムに量子コンピューティングを活用する。各クライアントノードのDeepConv-QK-LSTMアーキテクチャでは、効率的なローカルパターンキャプチャのための畳み込みレイヤを採用しており、この設計により、HARデータ内の長距離関係をモデル化する浅いQK-LSTMを使用することができる。この量子カーネル手法により、トレーニング可能なパラメータの少ないマルチ変数時系列データにおける複雑な非線形関係をキャプチャーすることが可能になる。

関連論文リスト

• Federated Quantum-Train Long Short-Term Memory for Gravitational Wave Signal [3.360429911727189]
  本稿では,QT(Quantum-Train)方法論とLong Short-Term Memory(LSTM)ネットワークを組み合わせた新しいフレームワークであるFederated QT-LSTMについて述べる。 トレーニング中に量子ニューラルネットワーク(QNN)を利用して古典的なLSTMモデルパラメータを生成することで、このフレームワークはモデル圧縮、スケーラビリティ、計算効率の課題を効果的に解決する。
  論文  参考訳（メタデータ） (2025-03-20T11:34:13Z)
• Quantum Kernel-Based Long Short-term Memory for Climate Time-Series Forecasting [0.24739484546803336]
  本稿では,量子カーネル法を従来のLSTMアーキテクチャに統合したQK-LSTM(Quantum Kernel-Based Long short-Memory)ネットワークを提案する。 QK-LSTMは、トレーニング可能なパラメータが少ない複雑な非線形依存と時間ダイナミクスをキャプチャする。
  論文  参考訳（メタデータ） (2024-12-12T01:16:52Z)
• 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 Kernel-Based Long Short-term Memory [0.30723404270319693]
  本稿では,Quantum Kernel-Based Long Short-Term Memory (QK-LSTM) ネットワークを導入する。 この量子化アーキテクチャは、効率的な収束、ロバストな損失最小化、モデルコンパクト性を示す。 ベンチマークの結果,QK-LSTMは従来のLSTMモデルと同等の性能を示すが,パラメータは少ない。
  論文  参考訳（メタデータ） (2024-11-20T11:39:30Z)
• 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)
• 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)
• 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)
• 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)
• Federated Stochastic Gradient Descent Begets Self-Induced Momentum [151.4322255230084]
  Federated Learning(FL)は、モバイルエッジシステムに適用可能な、新興の機械学習手法である。 このような条件下での勾配降下(SGD)への走行は,大域的な集約プロセスに運動量的な項を加えるとみなすことができる。
  論文  参考訳（メタデータ） (2022-02-17T02:01:37Z)

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。