Fugu-MT 論文翻訳(概要): Towards Personalized Quantum Federated Learning for Anomaly Detection

論文の概要: Towards Personalized Quantum Federated Learning for Anomaly Detection

arxiv url: http://arxiv.org/abs/2511.07471v1
Date: Wed, 12 Nov 2025 01:01:08 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-12 20:17:03.345375
Title: Towards Personalized Quantum Federated Learning for Anomaly Detection
Title（参考訳）: 異常検出のための個人化量子フェデレーション学習に向けて
Authors: Ratun Rahman, Sina Shaham, Dinh C. Nguyen,
Abstract要約: 異常検出は、ビデオ監視、医療診断、産業監視などの応用に大きな影響を及ぼす。量子ネットワークでは、クライアントはハードウェア能力、回路設計、ノイズレベル、古典的なデータが量子状態にエンコードされるか、事前処理されるかという点でしばしば異なる。異常検出のためのPQFL(Personal quantum Federated Learning)と呼ばれる新しいフレームワークを提案する。
参考スコア（独自算出の注目度）: 8.888060860656859
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Anomaly detection has a significant impact on applications such as video surveillance, medical diagnostics, and industrial monitoring, where anomalies frequently depend on context and anomaly-labeled data are limited. Quantum federated learning (QFL) overcomes these concerns by distributing model training among several quantum clients, consequently eliminating the requirement for centralized quantum storage and processing. However, in real-life quantum networks, clients frequently differ in terms of hardware capabilities, circuit designs, noise levels, and how classical data is encoded or preprocessed into quantum states. These differences create inherent heterogeneity across clients - not just in their data distributions, but also in their quantum processing behaviors. As a result, training a single global model becomes ineffective, especially when clients handle imbalanced or non-identically distributed (non-IID) data. To address this, we propose a new framework called personalized quantum federated learning (PQFL) for anomaly detection. PQFL enhances local model training at quantum clients using parameterized quantum circuits and classical optimizers, while introducing a quantum-centric personalization strategy that adapts each client's model to its own hardware characteristics and data representation. Extensive experiments show that PQFL significantly improves anomaly detection accuracy under diverse and realistic conditions. Compared to state-of-the-art methods, PQFL reduces false errors by up to 23%, and achieves gains of 24.2% in AUROC and 20.5% in AUPR, highlighting its effectiveness and scalability in practical quantum federated settings.
Abstract（参考訳）: 異常検出は、ビデオ監視、医療診断、産業監視などの応用に大きな影響を与える。量子フェデレーション学習(QFL)は、複数の量子クライアントにモデルのトレーニングを分散させることによってこれらの懸念を克服し、中央集権的な量子ストレージと処理の必要性を排除している。しかし、現実の量子ネットワークでは、クライアントはハードウェア能力、回路設計、ノイズレベル、古典的なデータが量子状態にエンコードされるか、事前処理されるかという点でしばしば異なる。これらの違いは、データ分散だけでなく、量子処理の振る舞いにも、クライアント間で固有の異質性を生み出します。結果として、クライアントが不均衡または非ID分散(非IID)データを処理する場合、単一のグローバルモデルのトレーニングは非効率になる。そこで本研究では,PQFL(Personal quantum Federated Learning)と呼ばれる,異常検出のための新しいフレームワークを提案する。 PQFLは、パラメータ化された量子回路と古典的なオプティマイザを使用して、量子クライアントでのローカルモデルトレーニングを強化すると同時に、各クライアントのモデルを独自のハードウェア特性とデータ表現に適応させる量子中心のパーソナライズ戦略を導入する。広汎な実験により、PQFLは多様な現実的条件下で異常検出精度を著しく向上することが示された。最先端の手法と比較して、PQFLは誤りを最大23%減らし、AUROCでは24.2%、AUPRでは20.5%のゲインを達成する。

関連論文リスト

Layerwise Federated Learning for Heterogeneous Quantum Clients using Quorus [7.18080826067576]
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。
論文参考訳（メタデータ） (2025-09-30T02:40:54Z)
Learning agent-based approach to the characterization of open quantum systems [0.08496348835248901]
我々は,オープンな量子モデル学習エージェント (oQMLA) フレームワークを導入し,Louvillianフォーマリズムによるマルコフ雑音を考慮した。ハミルトン作用素とジャンプ作用素を同時に学習することにより、oQMLAは独立に系のコヒーレント力学と非コヒーレント力学の両方を捉える。複雑化のシミュレーションシナリオにおける本実装の有効性を検証し,ハードウェアによる測定誤差に対するロバスト性を示す。
論文参考訳（メタデータ） (2025-01-09T16:25:17Z)
FL-QDSNNs: Federated Learning with Quantum Dynamic Spiking Neural Networks [2.5435687567731926]
FL-QDSNN(Federated Learning-Quantum Dynamic Spiking Neural Networks)を提案する。 FL-QDSNNは、非IIDクライアントデータに対する高い予測精度を維持するプライバシー保護フレームワークである。その鍵となる革新は、局所的なデータドリフトが追加表現性を必要とする場合にのみ量子ゲートをトリガーする動的閾値スパイキング機構である。
論文参考訳（メタデータ） (2024-12-03T09:08:33Z)
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)
Experimental verifiable multi-client blind quantum computing on a Qline architecture [0.5018974919510384]
分散アーキテクチャにおける2サイクル検証可能なブラインド量子コンピューティングプロトコルの最初の実験的実装を提供する。その結果,大規模ネットワークにおけるマルチテナント分散量子計算の検証の新たな視点が示された。
論文参考訳（メタデータ） (2024-07-12T14:48:58Z)
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)
Classical Verification of Quantum Learning [42.362388367152256]
量子学習の古典的検証のための枠組みを開発する。そこで我々は,新しい量子データアクセスモデルを提案し,これを"mixture-of-superpositions"量子例と呼ぶ。この結果から,学習課題における量子データの潜在能力は無限ではないものの,古典的エージェントが活用できることが示唆された。
論文参考訳（メタデータ） (2023-06-08T00:31:27Z)
Quantum Conformal Prediction for Reliable Uncertainty Quantification in Quantum Machine Learning [47.991114317813555]
量子モデルは暗黙の確率予測器を実装し、測定ショットを通じて各入力に対して複数のランダムな決定を生成する。本稿では、そのようなランダム性を利用して、モデルの不確実性を確実に捉えることができる分類と回帰の両方の予測セットを定義することを提案する。
論文参考訳（メタデータ） (2023-04-06T22:05:21Z)
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)
Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文参考訳（メタデータ） (2020-10-20T12:06:27Z)

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。