論文の概要: Scaling Trust in Quantum Federated Learning: A Multi-Protocol Privacy Design

• arxiv url: http://arxiv.org/abs/2512.03358v1
• Date: Wed, 03 Dec 2025 01:45:48 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 12:11:46.661274
• Title: Scaling Trust in Quantum Federated Learning: A Multi-Protocol Privacy Design
• Title（参考訳）: 量子フェデレーション学習における信頼のスケーリング - マルチプロトコルプライバシ設計
• Authors: Dev Gurung, Shiva Raj Pokhrel,
• Abstract要約: 量子フェデレートラーニング(QFL)は、量子デバイスの計算能力と協調モデルトレーニングを組み合わせることで、分散機械学習に革命をもたらすことを約束する。 我々は、$n$の量子デバイスからなるネットワークがローカルモデルを訓練し、それを多層プライバシープロトコルの下で中央サーバに送信するプライバシー保護QFL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）: 7.283533791778357
• License:
• Abstract: Quantum Federated Learning (QFL) promises to revolutionize distributed machine learning by combining the computational power of quantum devices with collaborative model training. Yet, privacy of both data and models remains a critical challenge. In this work, we propose a privacy-preserving QFL framework where a network of $n$ quantum devices trains local models and transmits them to a central server under a multi-layered privacy protocol. Our design leverages Singular Value Decomposition (SVD), Quantum Key Distribution (QKD), and Analytic Quantum Gradient Descent (AQGD) to secure data preparation, model sharing, and training stages. Through theoretical analysis and experiments on contemporary quantum platforms and datasets, we demonstrate that the framework robustly safeguards data and model confidentiality while maintaining training efficiency.
• Abstract（参考訳）: 量子フェデレートラーニング(QFL)は、量子デバイスの計算能力と協調モデルトレーニングを組み合わせることで、分散機械学習に革命をもたらすことを約束する。 しかし、データとモデルのプライバシーは依然として重要な課題だ。 そこで本研究では,$n$の量子デバイスネットワークがローカルモデルをトレーニングし,マルチレイヤのプライバシプロトコルの下で中央サーバに送信する,プライバシ保護型QFLフレームワークを提案する。 我々の設計では、Singular Value Decomposition (SVD)、Quantum Key Distribution (QKD)、Analytic Quantum Gradient Descent (AQGD)を活用して、データ準備、モデル共有、トレーニングステージの確保を図る。 現代の量子プラットフォームとデータセットに関する理論的分析と実験を通じて、このフレームワークがトレーニング効率を維持しながら、データとモデルの機密性を堅牢に保護することを示した。

関連論文リスト

• Quantum Vanguard: Server Optimized Privacy Fortified Federated Intelligence for Future Vehicles [7.283533791778357]
  この研究はvQFL(vehicular Quantum Federated Learning)という、量子機械学習技術を活用して、車両ネットワークにおける重要なプライバシとセキュリティ問題に対処する新しいフレームワークを提示する。 サーバ側適応型微調整法ft-VQFLを提案する。 この研究は、量子に耐性のある自動運転車システムにとって重要な基盤を確立し、量子後の時代に安全に運用できる。
  論文  参考訳（メタデータ） (2025-12-02T00:43:48Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Practical quantum federated learning and its experimental demonstration [16.652124459831946]
  本稿では,量子ネットワーク上での実践的な量子フェデレーション学習フレームワークを提案する。 スケーラブルな構造を持つ4サイクル量子ネットワーク上で,我々のフレームワークを実験的に検証した。 私たちの研究は、スケーラブルで効率的で量子セキュアな機械学習システムを構築する上で、重要な洞察を提供する。
  論文  参考訳（メタデータ） (2025-01-22T08:28:11Z)
• Quantum Federated Learning Experiments in the Cloud with Data Encoding [14.666615671419848]
  量子フェデレートラーニング(Quantum Federated Learning, QFL)は、量子ネットワーク上でのフェデレーションラーニング(FL)の展開を目的とした、新たな概念である。 我々は、QFLをクラウドプラットフォームにデプロイする際の課題について検討し、量子的複雑さとプラットフォーム制限を強調した。
  論文  参考訳（メタデータ） (2024-05-01T23:41:14Z)
• Federated Quantum Machine Learning with Differential Privacy [9.755412365451985]
  本研究では,キャッツ対ドッグスデータセットのバイナリ分類を行うことにより,プライバシー保護手法の実装に成功した。 本研究では,NISQデバイス上での量子機械学習において,フェデレーション付き差分プライベートトレーニングが有効なプライバシ保護手法であることを示す。
  論文  参考訳（メタデータ） (2023-10-10T19:52:37Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• When BERT Meets Quantum Temporal Convolution Learning for Text Classification in Heterogeneous Computing [75.75419308975746]
  本研究は,変分量子回路に基づく垂直連合学習アーキテクチャを提案し,テキスト分類のための量子化事前学習BERTモデルの競争性能を実証する。 目的分類実験により,提案したBERT-QTCモデルにより,SnipsおよびATIS音声言語データセットの競合実験結果が得られた。
  論文  参考訳（メタデータ） (2022-02-17T09:55:21Z)
• 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 Private Distributed Learning Through Blind Quantum Computing [2.081930455526026]
  本稿では,プライベートデータを安全に保持しつつ,リモート量子サーバの計算能力を活用できる分散学習のための量子プロトコルを提案する。 私たちのプロトコルは実験的な欠陥に対して堅牢であり、差分プライバシーを組み込んだ後の勾配攻撃下で安全です。
  論文  参考訳（メタデータ） (2021-03-15T14:26:01Z)

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。