論文の概要: A2G-QFL: Adaptive Aggregation with Two Gains in Quantum Federated learning

• arxiv url: http://arxiv.org/abs/2512.03363v1
• Date: Wed, 03 Dec 2025 01:58:03 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 11:55:27.54286
• Title: A2G-QFL: Adaptive Aggregation with Two Gains in Quantum Federated learning
• Title（参考訳）: A2G-QFL:量子フェデレーション学習における2つの利得による適応的アグリゲーション
• Authors: Shanika Iroshi Nanayakkara, Shiva Raj Pokhrel,
• Abstract要約: 量子化ネットワーク上でのフェデレーション学習は、クライアントの品質、テレポーテーションの忠実さ、デバイス不安定性、および局所モデルとグローバルモデル間の幾何学的ミスマッチにより、大幅なパフォーマンス劣化に直面している。 本稿では、幾何学的なゲインを通じてブレンディングを共同で規制し、テレポーテーションの忠実度、レイテンシ、滑らかさ、不安定性から導かれるゲインを用いてクライアントの重要度を調節する二重ゲインフレームワークであるA2Gを紹介する。 量子古典ハイブリッドテストベッドの実験では、ノイズ条件下での安定性と精度の向上が示されている。
• 参考スコア（独自算出の注目度）: 6.137648436139678
• License:
• Abstract: Federated learning (FL) deployed over quantum enabled and heterogeneous classical networks faces significant performance degradation due to uneven client quality, stochastic teleportation fidelity, device instability, and geometric mismatch between local and global models. Classical aggregation rules assume euclidean topology and uniform communication reliability, limiting their suitability for emerging quantum federated systems. This paper introduces A2G (Adaptive Aggregation with Two Gains), a dual gain framework that jointly regulates geometric blending through a geometry gain and modulates client importance using a QoS gain derived from teleportation fidelity, latency, and instability. We develop the A2G update rule, establish convergence guarantees under smoothness and bounded variance assumptions, and show that A2G recovers FedAvg, QoS aware averaging, and manifold based aggregation as special cases. Experiments on a quantum classical hybrid testbed demonstrate improved stability and higher accuracy under heterogeneous and noisy conditions.
• Abstract（参考訳）: 量子有効で異質な古典的ネットワーク上に展開されたフェデレートラーニング(FL)は、不均一なクライアント品質、確率的テレポーテーションの忠実さ、デバイス不安定性、局所モデルとグローバルモデル間の幾何学的ミスマッチなどにより、大幅な性能低下に直面している。 古典的なアグリゲーションルールはユークリッドトポロジーと均一な通信信頼性を前提としており、新興の量子連合系に対する適合性を制限している。 本稿では,両利得フレームワークであるA2G(Adaptive Aggregation with Two Gains)を紹介する。これは幾何学的利得を通じて幾何学的ブレンディングを共同で規制し,テレポーテーションの忠実度,レイテンシ,不安定性から導かれるQoS利得を用いてクライアントの重要度を変調する。 我々は,A2G更新規則を開発し,滑らかさと有界分散仮定の下で収束保証を確立するとともに,A2GがFedAvg,QoS認識平均化,多様体ベースアグリゲーションを特別な場合として回復することを示す。 量子古典ハイブリッドテストベッドの実験では、不均一および雑音条件下での安定性と高い精度が示されている。

関連論文リスト

• Quantum Reinforcement Learning-Guided Diffusion Model for Image Synthesis via Hybrid Quantum-Classical Generative Model Architectures [2.005299372367689]
  本稿では,各段階でCFGを動的に調整するQRL(quantum reinforcement learning)コントローラを提案する。 コントローラは、ハイブリッド量子-古典的アクター-批判的アーキテクチャを採用する。 CIFAR-10の実験は、QRLポリシーが知覚品質を改善することを示した。
  論文  参考訳（メタデータ） (2025-09-17T16:47:04Z)
• Byzantine-Resilient Over-the-Air Federated Learning under Zero-Trust Architecture [68.83934802584899]
  我々は,セキュアな適応クラスタリング(FedSAC)を用いたフェデレーション学習(Federated Learning)と呼ばれる,無線通信のための新しいビザンチン・ロバストFLパラダイムを提案する。 FedSACは、デバイスの一部をゼロ信頼アーキテクチャ(ZTA)ベースのビザンティン識別と適応デバイスクラスタリングによる攻撃から保護することを目的としている。 実験精度と収束率の両面から,提案手法よりもFedSACの方が優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-24T01:56:30Z)
• Nonlinearity of the Fidelity in Open Qudit Systems: Gate and Noise Dependence in High-dimensional Quantum Computing [0.0]
  本稿では,リンドブラッド形式におけるマルコフ雑音下での単一キューディット系の平均ゲート忠実度(AGF)について検討する。 環境結合係数の観点から平均ゲート不忠実度(AGI)の摂動膨張に関する一般表現を導出する。 本研究は,AGIがQudit次元,量子ゲート選択,ノイズ強度に依存していることに注目し,量子ゲート設計と誤り訂正プロトコルを最適化するための重要な洞察を提供する。
  論文  参考訳（メタデータ） (2024-06-21T13:36:09Z)
• 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)
• Entangled Pair Resource Allocation under Uncertain Fidelity Requirements [59.83361663430336]
  量子ネットワークにおいて、効果的な絡み合いルーティングは、量子ソースと量子宛先ノード間の通信を容易にする。 本稿では,絡み合ったペアに対する資源配分モデルと,整合性保証を伴う絡み合ったルーティングモデルを提案する。 提案モデルでは, ベースラインモデルと比較して, 総コストを少なくとも20%削減できる。
  論文  参考訳（メタデータ） (2023-04-10T07:16:51Z)
• Disentangled Federated Learning for Tackling Attributes Skew via Invariant Aggregation and Diversity Transferring [104.19414150171472]
  属性は、クライアント間の一貫した最適化方向から、現在の連邦学習(FL)フレームワークを歪めます。 本稿では,ドメイン固有属性とクロス不変属性を2つの補足枝に分離するために,非絡み付きフェデレーション学習(DFL)を提案する。 実験により、DFLはSOTA FL法と比較して高い性能、より良い解釈可能性、より高速な収束率でFLを促進することが確認された。
  論文  参考訳（メタデータ） (2022-06-14T13:12:12Z)
• Improve Generalization and Robustness of Neural Networks via Weight Scale Shifting Invariant Regularizations [52.493315075385325]
  重み劣化を含む正則化器の族は、均質な活性化関数を持つネットワークに対する本質的な重みのノルムをペナルティ化するのに有効でないことを示す。 そこで我々は,ニューラルネットワークの本質的な規範を効果的に制約する改良型正規化器を提案する。
  論文  参考訳（メタデータ） (2020-08-07T02:55:28Z)
• Feedback-induced instabilities and dynamics in the Jaynes-Cummings model [62.997667081978825]
  時間遅延コヒーレントフィードバックを受けるJaynes-Cummingsモデルのコヒーレンスと定常状態特性について検討する。 導入されたフィードバックは、システムの動的応答と定常量子特性を質的に修正する。
  論文  参考訳（メタデータ） (2020-06-20T10:07:01Z)

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。