論文の概要: Layerwise Federated Learning for Heterogeneous Quantum Clients using Quorus

• arxiv url: http://arxiv.org/abs/2510.06228v1
• Date: Tue, 30 Sep 2025 02:40:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.032778
• Title: Layerwise Federated Learning for Heterogeneous Quantum Clients using Quorus
• Title（参考訳）: Quorus を用いた不均一量子クライアントの階層的フェデレーション学習
• Authors: Jason Han, Nicholas S. DiBrita, Daniel Leeds, Jianqiang Li, Jason Ludmir, Tirthak Patel,
• Abstract要約: 本稿では,分散量子機械学習(QML)問題に対する新しい解法を提案する。 異なる深さの量子モデルの効果的なトレーニングには階層的損失関数を用いる。 我々はQuorusが最先端技術に対して平均12.4%の精度でテストを改善することを示した。
• 参考スコア（独自算出の注目度）: 7.18080826067576
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum machine learning (QML) holds the promise to solve classically intractable problems, but, as critical data can be fragmented across private clients, there is a need for distributed QML in a quantum federated learning (QFL) format. However, the quantum computers that different clients have access to can be error-prone and have heterogeneous error properties, requiring them to run circuits of different depths. We propose a novel solution to this QFL problem, Quorus, that utilizes a layerwise loss function for effective training of varying-depth quantum models, which allows clients to choose models for high-fidelity output based on their individual capacity. Quorus also presents various model designs based on client needs that optimize for shot budget, qubit count, midcircuit measurement, and optimization space. Our simulation and real-hardware results show the promise of Quorus: it increases the magnitude of gradients of higher depth clients and improves testing accuracy by 12.4% on average over the state-of-the-art.
• Abstract（参考訳）: 量子機械学習(QML)は、古典的に難解な問題を解決するという約束を持っているが、クリティカルデータはプライベートクライアント間で断片化できるため、量子フェデレーションラーニング(QFL)フォーマットで分散QMLが必要である。 しかし、異なるクライアントがアクセスできる量子コンピュータはエラーを起こしやすく、不均一なエラー特性を持ち、異なる深さの回路を実行する必要がある。 本稿では,このQFL問題に対する新しい解Quorusを提案する。このQFL問題では,異なる深さの量子モデルの効果的トレーニングに階層的損失関数を用いて,クライアントが個々の容量に基づいて高忠実度出力のモデルを選択することができる。 Quorusはまた、ショット予算、キュービット数、ミッドサーキット計測、最適化空間を最適化するクライアントのニーズに基づいて、様々なモデル設計を提示している。 我々のシミュレーションと実ハードウエアの結果はQuorusの可能性を示唆している。これは、より深いクライアントの勾配の程度を増大させ、最先端のクライアントよりも平均12.4%の精度でテストの精度を向上する。

関連論文リスト

• Personalized Quantum Federated Learning for Privacy Image Classification [52.04404538764307]
  画像の不均衡な分布の場合のクライアントモデルの性格を高めるために、パーソナライズされた量子フェデレーション学習アルゴリズムを提案する。 実験結果から,パーソナライズされた量子フェデレーション学習アルゴリズムは,高性能なグローバルモデルとローカルモデルを得ることができることが示された。
  論文  参考訳（メタデータ） (2024-10-03T14:53:04Z)
• Approximating under the Influence of Quantum Noise and Compute Power [3.0302054726041017]
  量子近似最適化アルゴリズム(QAOA)は、量子コンピュータのパワーと古典的な高性能コンピューティングアプライアンスを組み合わせて最適化することを目的とした多くのシナリオの中核である。 総合密度行列に基づくシミュレーションを用いて, 4種類のQAOA変異体の解の質と時間的挙動に影響を与える因子について検討した。 本研究の結果は, 包括的複製パッケージを伴い, 狭小かつ特異な影響を指摘できるQAOA変異体との違いが強く認められた。
  論文  参考訳（メタデータ） (2024-08-05T07:48:49Z)
• The Quantum Imitation Game: Reverse Engineering of Quantum Machine Learning Models [2.348041867134616]
  量子機械学習(QML)は、機械学習モデルと量子コンピューティングのパラダイムを融合させる。 量子コンピューティングのNoisy Intermediate-Scale Quantum(NISQ)時代における多くのサードパーティベンダーの拡大により、QMLモデルのセキュリティが最重要となる。 我々は、信頼できない量子クラウドプロバイダが、推論中にトランスパイルされたユーザ設計のトレーニングされたQMLモデルにホワイトボックスアクセスを持つ敵であると仮定する。
  論文  参考訳（メタデータ） (2024-07-09T21:35:19Z)
• 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)
• A Quantum Federated Learning Framework for Classical Clients [6.418941009007091]
  量子フェデレートラーニング(QFL)は、複数のクライアント間で量子機械学習(QML)モデルの協調トレーニングを可能にする。 量子コンピューティングリソースの限られた可用性は、各クライアントが量子コンピューティング能力を取得するための課題となる。 CC-QFLと呼ばれる古典的クライアント向けに設計されたQFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-18T19:29:55Z)
• Elastic Entangled Pair and Qubit Resource Management in Quantum Cloud Computing [73.7522199491117]
  量子クラウドコンピューティング(QCC)は、量子コンピューティングリソースを効率的に提供するための有望なアプローチを提供する。 ユーザ需要の変動と量子回路の要求は、効率的なリソース供給のために困難である。 本稿では、量子コンピューティングとネットワークリソースのプロビジョニングのためのリソース割り当てモデルを提案する。
  論文  参考訳（メタデータ） (2023-07-25T00:38:46Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• Scaling Limits of Quantum Repeater Networks [62.75241407271626]
  量子ネットワーク(QN)は、セキュアな通信、強化されたセンシング、効率的な分散量子コンピューティングのための有望なプラットフォームである。 量子状態の脆弱な性質のため、これらのネットワークはスケーラビリティの観点から大きな課題に直面している。 本稿では,量子リピータネットワーク(QRN)のスケーリング限界について解析する。
  論文  参考訳（メタデータ） (2023-05-15T14:57:01Z)
• Structural risk minimization for quantum linear classifiers [0.0]
  qml(quantum machine learning)は、量子コンピューティングの短期的"キラーアプリケーション"の典型的な候補の1つとして注目される。 明示的および暗黙的量子線形分類器と呼ばれる2つの密接に関連したQMLモデルの容量測定を研究する。 我々は,QMLモデルで使用される観測値のランクとフロベニウスノルムが,モデルのキャパシティを密接に制御していることを確認した。
  論文  参考訳（メタデータ） (2021-05-12T10:39:55Z)

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。