論文の概要: Quantum Federated Learning: Architectural Elements and Future Directions

• arxiv url: http://arxiv.org/abs/2510.17642v1
• Date: Mon, 20 Oct 2025 15:21:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.49939
• Title: Quantum Federated Learning: Architectural Elements and Future Directions
• Title（参考訳）: 量子フェデレーション学習 - アーキテクチャ要素と今後の方向性
• Authors: Siva Sai, Abhishek Sawaika, Prabhjot Singh, Rajkumar Buyya,
• Abstract要約: フェデレートラーニング(FL)は、プライベートデータサイロを中央サーバに移行する必要なく、コラボレーティブモデルトレーニングに重点を置いている。 この章では、量子計算を導入するハイブリッドパラダイム、量子フェデレートラーニング(QFL)について調査する。 医療、車載ネットワーク、無線ネットワーク、ネットワークセキュリティにおけるQFLの適用について述べる。
• 参考スコア（独自算出の注目度）: 14.52078045094711
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Federated learning (FL) focuses on collaborative model training without the need to move the private data silos to a central server. Despite its several benefits, the classical FL is plagued with several limitations, such as high computational power required for model training(which is critical for low-resource clients), privacy risks, large update traffic, and non-IID heterogeneity. This chapter surveys a hybrid paradigm - Quantum Federated Learning (QFL), which introduces quantum computation, that addresses multiple challenges of classical FL and offers rapid computing capability while keeping the classical orchestration intact. Firstly, we motivate QFL with a concrete presentation on pain points of classical FL, followed by a discussion on a general architecture of QFL frameworks specifying the roles of client and server, communication primitives and the quantum model placement. We classify the existing QFL systems based on four criteria - quantum architecture (pure QFL, hybrid QFL), data processing method (quantum data encoding, quantum feature mapping, and quantum feature selection & dimensionality reduction), network topology (centralized, hierarchial, decentralized), and quantum security mechanisms (quantum key distribution, quantum homomorphic encryption, quantum differential privacy, blind quantum computing). We then describe applications of QFL in healthcare, vehicular networks, wireless networks, and network security, clearly highlighting where QFL improves communication efficiency, security, and performance compared to classical FL. We close with multiple challenges and future works in QFL, including extension of QFL beyond classification tasks, adversarial attacks, realistic hardware deployment, quantum communication protocols deployment, aggregation of different quantum models, and quantum split learning as an alternative to QFL.
• Abstract（参考訳）: フェデレートラーニング(FL)は、プライベートデータサイロを中央サーバに移行する必要なく、コラボレーティブモデルトレーニングに重点を置いている。 その利点にもかかわらず、古典的なFLは、モデルトレーニング(低リソースクライアントにとって重要な)に必要な高い計算能力、プライバシーリスク、大規模な更新トラフィック、非IIDの不均一性など、いくつかの制限に悩まされている。 この章では、量子計算を導入し、古典的なFLの課題に対処し、古典的なオーケストレーションをそのまま維持しながら、高速な計算機能を提供するハイブリッドパラダイムである量子フェデレートラーニング(QFL)を調査します。 まず、従来のFLの痛点に関する具体的なプレゼンテーションでQFLを動機付け、クライアントとサーバの役割、通信プリミティブ、量子モデル配置を規定するQFLフレームワークの一般的なアーキテクチャについて議論する。 既存のQFLシステムは、量子アーキテクチャ(純QFL、ハイブリッドQFL)、データ処理方法(量子データ符号化、量子特徴マッピング、量子特徴選択と次元削減)、ネットワークトポロジ(集中化、階層化、分散化)、量子セキュリティ機構(量子鍵分布、量子同型暗号、量子微分プライバシー、ブラインド量子コンピューティング)の4つの基準に基づいて分類する。 次に、医療、車載ネットワーク、無線ネットワーク、ネットワークセキュリティにおけるQFLの応用について説明する。 分類タスクを超えたQFLの拡張、敵攻撃、現実的なハードウェアデプロイメント、量子通信プロトコルのデプロイメント、異なる量子モデルの集約、QFLに代わる量子分割学習など、QFLにおけるさまざまな課題と今後の作業に近づきます。

関連論文リスト

• Quantum Federated Learning: A Comprehensive Survey [43.3828913266274]
  QFL(Quantum Federated Learning)は、分散量子コンピューティングとフェデレーション機械学習の組み合わせである。 本稿では、QFLに関する包括的調査を行い、その鍵となる概念、基礎、応用、そしてこの急速に発展する分野における課題について考察する。
  論文  参考訳（メタデータ） (2025-08-21T23:11:58Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• Foundations of Quantum Federated Learning Over Classical and Quantum Networks [59.121263013213756]
  量子フェデレーション学習(QFL)は、古典的フェデレーション学習(FL)の利点と量子技術の計算能力を統合する新しいフレームワークである。 QFLは古典的通信網と量子的通信網の両方に展開できる。
  論文  参考訳（メタデータ） (2023-10-23T02:56:00Z)
• Delegated variational quantum algorithms based on quantum homomorphic encryption [69.50567607858659]
  変分量子アルゴリズム(VQA)は、量子デバイス上で量子アドバンテージを達成するための最も有望な候補の1つである。 クライアントのプライベートデータは、そのような量子クラウドモデルで量子サーバにリークされる可能性がある。 量子サーバが暗号化データを計算するための新しい量子ホモモルフィック暗号(QHE)スキームが構築されている。
  論文  参考訳（メタデータ） (2023-01-25T07:00:13Z)
• TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [48.491303218786044]
  TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。 古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。 量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
  論文  参考訳（メタデータ） (2023-01-13T09:35:05Z)
• Quantum Federated Learning with Entanglement Controlled Circuits and Superposition Coding [44.89303833148191]
  我々は、絡み合ったスリム化可能な量子ニューラルネットワーク(eSQNN)の深さ制御可能なアーキテクチャを開発する。 本稿では,eS-QNNの重畳符号化パラメータを通信する絡み合ったスリム化QFL(eSQFL)を提案する。 画像分類タスクでは、広範囲なシミュレーションがeSQFLの有効性を裏付ける。
  論文  参考訳（メタデータ） (2022-12-04T03:18:03Z)
• Federated Quantum Natural Gradient Descent for Quantum Federated Learning [7.028664795605032]
  本研究では,FQNGD(Federated quantum natural gradient descent)という,効率的な学習アルゴリズムを提案する。 FQNGDアルゴリズムは、収束するQFLモデルのトレーニングイテレーションをはるかに少なくする。 他のフェデレーション学習アルゴリズムと比較して、手書き桁分類データセットの実験は、QFLに対するFQNGDアルゴリズムの有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2022-08-15T07:17:11Z)
• 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。