論文の概要: Federated Quantum Kernel Learning for Anomaly Detection in Multivariate IoT Time-Series

• arxiv url: http://arxiv.org/abs/2511.02301v1
• Date: Tue, 04 Nov 2025 06:35:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.82934
• Title: Federated Quantum Kernel Learning for Anomaly Detection in Multivariate IoT Time-Series
• Title（参考訳）: 多変量IoT時系列における異常検出のためのフェデレーション量子カーネル学習
• Authors: Kuan-Cheng Chen, Samuel Yen-Chi Chen, Chen-Yu Liu, Kin K. Leung,
• Abstract要約: 本稿では,FQKL(Federated Quantum Kernel Learning)フレームワークを提案する。 FQKLは、古典的連合ベースラインに比べて複雑な時間的相関を捉える際に優れた一般化を実現する。 この作業は、フェデレートされた設定における量子カーネルの約束を強調し、次世代IoTインフラストラクチャのためのスケーラブルで堅牢で量子強化されたインテリジェンスへの道を進めます。
• 参考スコア（独自算出の注目度）: 27.38765909731335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid growth of industrial Internet of Things (IIoT) systems has created new challenges for anomaly detection in high-dimensional, multivariate time-series, where privacy, scalability, and communication efficiency are critical. Classical federated learning approaches mitigate privacy concerns by enabling decentralized training, but they often struggle with highly non-linear decision boundaries and imbalanced anomaly distributions. To address this gap, we propose a Federated Quantum Kernel Learning (FQKL) framework that integrates quantum feature maps with federated aggregation to enable distributed, privacy-preserving anomaly detection across heterogeneous IoT networks. In our design, quantum edge nodes locally compute compressed kernel statistics using parameterized quantum circuits and share only these summaries with a central server, which constructs a global Gram matrix and trains a decision function (e.g., Fed-QSVM). Experimental results on synthetic IIoT benchmarks demonstrate that FQKL achieves superior generalization in capturing complex temporal correlations compared to classical federated baselines, while significantly reducing communication overhead. This work highlights the promise of quantum kernels in federated settings, advancing the path toward scalable, robust, and quantum-enhanced intelligence for next-generation IoT infrastructures.
• Abstract（参考訳）: 産業用モノのインターネット(IIoT)システムの急速な成長は、プライバシー、スケーラビリティ、通信効率が重要となる高次元多変量時系列における異常検出に新たな課題を生み出している。 古典的な連合学習アプローチは、分散化されたトレーニングを可能にすることによってプライバシーの懸念を軽減するが、多くの場合、高度に非線形な決定境界と不均衡な異常な分布に悩まされる。 このギャップに対処するために、フェデレート量子カーネルラーニング(FQKL)フレームワークを提案する。これは、フェデレーションアグリゲーションと量子特徴マップを統合し、異種IoTネットワーク間の分散されたプライバシ保護異常検出を可能にする。 我々の設計では、量子エッジノードはパラメータ化された量子回路を用いて圧縮されたカーネル統計を局所的に計算し、これらのサマリーのみを中央サーバと共有し、グローバルグラム行列を構築し、決定関数(例えば、Fed-QSVM)を訓練する。 合成IIoTベンチマークによる実験結果から、FQKLは古典的フェデレーションベースラインに比べて複雑な時間的相関を捉えるのに優れた一般化を実現し、通信オーバーヘッドを著しく低減することが示された。 この作業は、フェデレートされた設定における量子カーネルの約束を強調し、次世代IoTインフラストラクチャのためのスケーラブルで堅牢で量子強化されたインテリジェンスへの道を進めます。

関連論文リスト

• Reinforcement Learning for Quantum Network Control with Application-Driven Objectives [53.03367590211247]
  動的プログラミングと強化学習は、制御戦略を最適化するための有望なツールを提供する。 非線形で微分可能な目的関数を直接最適化する新しいRLフレームワークを提案する。 我々の研究は、RLを持つ量子ネットワークにおける非線形目的関数最適化への第一歩であり、より高度なユースケースへの道を開く。
  論文  参考訳（メタデータ） (2025-09-12T18:41:10Z)
• Quantum Graph Attention Network: A Novel Quantum Multi-Head Attention Mechanism for Graph Learning [0.0]
  量子グラフ注意ネットワーク(Quantum Graph Attention Network、QGAT)は、変動量子回路をアテンション機構に統合するハイブリッドグラフニューラルネットワークである。 複雑な構造的依存関係を捕捉するQGATの有効性を示し、帰納的シナリオにおける一般化を改善した。 実験により、量子埋め込みは特徴や構造的ノイズに対するロバスト性を高め、実世界のノイズデータを扱う利点を示唆している。
  論文  参考訳（メタデータ） (2025-08-25T03:25:48Z)
• Quantum-Accelerated Wireless Communications: Concepts, Connections, and Implications [59.0413662882849]
  量子コンピューティングは、通信システムのアルゴリズム基盤を再定義する。 本稿では、量子コンピューティングの基礎を、通信社会に精通したスタイルで概説する。 我々は、量子システムと無線システムの間の数学的調和を強調し、この話題をワイヤレス研究者にとってより魅力的にしている。
  論文  参考訳（メタデータ） (2025-06-25T22:25:47Z)
• 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)
• Mutual information maximizing quantum generative adversarial networks [9.391818870557545]
  InfoQGANは、InfoGANの原理とQGANアーキテクチャを統合する量子古典的ハイブリッド生成対向ネットワークである。 InfoQGANは、量子発生器における頑健な特徴の絡み合いを達成しつつ、モード崩壊を効果的に軽減することを示す。 これらの結果は、NISQ時代の量子生成モデリングを進化させるアプローチとして、InfoQGANの可能性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-09-04T05:18:37Z)
• 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)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• 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。