論文の概要: Enhancing Gradient Variance and Differential Privacy in Quantum Federated Learning

• arxiv url: http://arxiv.org/abs/2509.05377v1
• Date: Thu, 04 Sep 2025 15:29:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.477787
• Title: Enhancing Gradient Variance and Differential Privacy in Quantum Federated Learning
• Title（参考訳）: 量子フェデレーション学習における勾配変動と微分プライバシーの強化
• Authors: Duc-Thien Phan, Minh-Duong Nguyen, Quoc-Viet Pham, Huilong Pi,
• Abstract要約: ローカルモデルとしての量子ニューラルネットワーク(QNN)は最近、注目すべき課題に直面している。 差分プライバシーを組み込んだ新しいQFL手法を提案し,専用ノイズ推定手法を提案する。 提案アルゴリズムは, 効率よく収束のバランスを保ち, 通信コストを低減し, 中間量子雑音の悪影響を軽減する。
• 参考スコア（独自算出の注目度）: 5.608916223269914
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Upon integrating Quantum Neural Network (QNN) as the local model, Quantum Federated Learning (QFL) has recently confronted notable challenges. Firstly, exploration is hindered over sharp minima, decreasing learning performance. Secondly, the steady gradient descent results in more stable and predictable model transmissions over wireless channels, making the model more susceptible to attacks from adversarial entities. Additionally, the local QFL model is vulnerable to noise produced by the quantum device's intermediate noise states, since it requires the use of quantum gates and circuits for training. This local noise becomes intertwined with learning parameters during training, impairing model precision and convergence rate. To address these issues, we propose a new QFL technique that incorporates differential privacy and introduces a dedicated noise estimation strategy to quantify and mitigate the impact of intermediate quantum noise. Furthermore, we design an adaptive noise generation scheme to alleviate privacy threats associated with the vanishing gradient variance phenomenon of QNN and enhance robustness against device noise. Experimental results demonstrate that our algorithm effectively balances convergence, reduces communication costs, and mitigates the adverse effects of intermediate quantum noise while maintaining strong privacy protection. Using real-world datasets, we achieved test accuracy of up to 98.47\% for the MNIST dataset and 83.85\% for the CIFAR-10 dataset while maintaining fast execution times.
• Abstract（参考訳）: ローカルモデルとして量子ニューラルネットワーク(QNN)を統合すると、最近、量子フェデレートラーニング(QFL)が顕著な課題に直面している。 第一に、探索は急激なミニマムによって妨げられ、学習性能が低下する。 第2に、安定した勾配降下により、無線チャネル上でより安定で予測可能なモデル伝送が可能となり、敵からの攻撃を受けやすくなった。 さらに、ローカルQFLモデルは、トレーニングに量子ゲートと回路を使用する必要があるため、量子デバイスの中間ノイズ状態によって生成されるノイズに弱い。 この局所雑音は、訓練中に学習パラメータと干渉し、モデルの精度と収束率を損なう。 これらの問題に対処するために、微分プライバシーを取り入れた新しいQFL手法を提案し、中間量子ノイズの影響を定量化し緩和するための専用ノイズ推定戦略を導入する。 さらに,QNNの勾配分散現象に伴うプライバシーの脅威を緩和し,デバイスノイズに対する堅牢性を高める適応ノイズ発生方式を設計する。 実験結果から,本アルゴリズムは効率よく収束のバランスを保ち,通信コストを低減し,高いプライバシー保護を維持しつつ中間量子ノイズの悪影響を軽減できることが示唆された。 実世界のデータセットを使用して、MNISTデータセットで98.47\%、CIFAR-10データセットで83.85\%のテスト精度を達成し、高速な実行時間を維持しました。

関連論文リスト

• Differentially Private Federated Quantum Learning via Quantum Noise [9.540961602976965]
  量子連合学習(QFL)は、生のデータ交換なしで分散量子デバイス間で量子機械学習(QML)モデルの協調トレーニングを可能にする。 QFLは、情報プライバシを損なうために共有QMLモデルの更新を悪用できる敵攻撃に対して脆弱なままである。 本稿では,QFLプロセス全体の量子モデルを保護するために量子ノイズを利用する新しいDP機構について検討する。
  論文  参考訳（メタデータ） (2025-08-27T22:56:16Z)
• 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)
• Provably Robust Training of Quantum Circuit Classifiers Against Parameter Noise [49.97673761305336]
  ノイズは、信頼できる量子アルゴリズムを達成するための大きな障害である。 本稿では,パラメータ化量子回路分類器のロバスト性を高めるための雑音耐性学習理論とアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-05-24T02:51:34Z)
• Do we really have to filter out random noise in pre-training data for language models? [38.30911856420568]
  インターネットから収集された事前学習されたテキストデータは、必然的にデコードエラーや規制されていないウェブコンテンツに起因するランダムノイズを含む。 その結果, モデルが2.7Bにスケールアップされた場合でも, NTPの損失はランダムノイズの比率よりも有意に低かった。 モデルパラメータの知識を必要とせず,通常の特徴と摂動特徴の勾配を整列させることにより,下流タスクヘッドの認知能力を明確に向上する。
  論文  参考訳（メタデータ） (2025-02-10T16:01:55Z)
• Bayesian Quantum Amplitude Estimation [46.03321798937855]
  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)
• Compressed-sensing Lindbladian quantum tomography with trapped ions [44.99833362998488]
  量子システムの力学を特徴づけることは、量子情報プロセッサの開発における中心的な課題である。 従来の欠点を緩和するLindbladian quantum tomography(LQT)の2つの改良点を提案する。
  論文  参考訳（メタデータ） (2024-03-12T09:58:37Z)
• Reconfigurable Intelligent Surface (RIS)-Assisted Entanglement Distribution in FSO Quantum Networks [62.87033427172205]
  自由空間光(FSO)量子チャネルに依存する量子ネットワーク(QN)は、光ファイバー基盤の確立が困難でコストがかかる環境における量子アプリケーションをサポートすることができる。 エンタングルメント分布のための仮想視線を提供する費用効率の高いフレームワークとして,再構成可能なインテリジェントサーフェス(RIS)を用いたFSOベースのQNを提案する。
  論文  参考訳（メタデータ） (2024-01-19T17:16:40Z)
• Amplitude-Varying Perturbation for Balancing Privacy and Utility in Federated Learning [86.08285033925597]
  本稿では,フェデレート学習のプライバシを保護するため,時変雑音振幅を持つ新しいDP摂動機構を提案する。 我々は、FLの過度な摂動ノイズによる早期収束を防止するために、シリーズのオンラインリファインメントを導出した。 新しいDP機構のプライバシ保存FLの収束と精度への寄与は、持続的な雑音振幅を持つ最先端のガウスノイズ機構と比較して相関する。
  論文  参考訳（メタデータ） (2023-03-07T22:52:40Z)
• QuantumNAT: Quantum Noise-Aware Training with Noise Injection, Quantization and Normalization [19.822514659801616]
  量子回路(PQC)は、短期量子ハードウェアにおける量子優位性を約束している。 しかし、大きな量子ノイズ(エラー)のため、PQCモデルの性能は実際の量子デバイスで著しく低下する。 本稿では,PQC固有のフレームワークであるQuantumNATを提案する。
  論文  参考訳（メタデータ） (2021-10-21T17:59:19Z)

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。