論文の概要: Noise-Resilient Quantum Aggregation on NISQ for Federated ADAS Learning

• arxiv url: http://arxiv.org/abs/2512.13196v1
• Date: Mon, 15 Dec 2025 11:10:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.633599
• Title: Noise-Resilient Quantum Aggregation on NISQ for Federated ADAS Learning
• Title（参考訳）: フェデレーションADAS学習におけるNISQの雑音耐性量子集約
• Authors: Chethana Prasad Kabgere, Sudarshan T S B,
• Abstract要約: 本稿では、ノイズ耐性量子フェデレートラーニング(NR-QFL)を紹介する。 ノイズ中間スケール量子(NISQ)条件下で動作している変分量子回路(VQC)を介して、セキュアで低レイテンシのアグリゲーションを可能にする。 このフレームワークは量子強化フェデレーション学習のためのスケーラブルな基盤を確立し、車両のエッジでセキュアで効率的で動的に安定したADASインテリジェンスを実現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Advanced Driver Assistance Systems (ADAS) increasingly employ Federated Learning (FL) to collaboratively train models across distributed vehicular nodes while preserving data privacy. Yet, conventional FL aggregation remains susceptible to noise, latency, and security constraints inherent to real-time vehicular networks. This paper introduces Noise-Resilient Quantum Federated Learning (NR-QFL), a hybrid quantum-classical framework that enables secure, low-latency aggregation through variational quantum circuits (VQCs) operating under Noisy Intermediate-Scale Quantum (NISQ) conditions. The framework encodes model parameters as quantum states with adaptive gate reparameterization, ensuring bounded-error convergence and provable resilience under Completely Positive Trace-Preserving (CPTP) dynamics. NR-QFL employs quantum entropy-based client selection and multi-server coordination for fairness and stability. Empirical validation shows consistent convergence with reduced gradient variance, lower communication overhead, and enhanced noise tolerance under constrained edge conditions. The framework establishes a scalable foundation for quantum-enhanced federated learning, enabling secure, efficient, and dynamically stable ADAS intelligence at the vehicular edge.
• Abstract（参考訳）: Advanced Driver Assistance Systems(ADAS)は、フェデレートラーニング(FL)を採用して、データプライバシを保持しながら、分散車両ノード間のモデルを協調的にトレーニングしている。 しかし、従来のFLアグリゲーションは、リアルタイム車載ネットワークに固有のノイズ、レイテンシ、セキュリティ制約の影響を受けやすいままである。 本稿では,ノイズ耐性量子フェデレートラーニング(NR-QFL)について紹介する。これはノイズ耐性量子フェデレートラーニング(NR-QFL)というハイブリッドな量子古典的フレームワークで,ノイズ中間量子(NISQ)条件下で動作する変分量子回路(VQC)によるセキュアで低レイテンシなアグリゲーションを実現する。 このフレームワークは、モデルパラメータを適応ゲート再パラメータ化による量子状態としてエンコードし、完全正のトレース保存(CPTP)ダイナミクスの下で境界誤差収束と証明可能なレジリエンスを確保する。 NR-QFLは量子エントロピーベースのクライアント選択と、公正性と安定性のためのマルチサーバ調整を採用している。 実験的な検証では、勾配分散の低減、通信オーバーヘッドの低減、制約付きエッジ条件下での耐雑音性の向上など、一貫した収束性を示す。 このフレームワークは量子強化フェデレーション学習のためのスケーラブルな基盤を確立し、車両のエッジでセキュアで効率的で動的に安定したADASインテリジェンスを実現する。

関連論文リスト

• Trustworthy Quantum Machine Learning: A Roadmap for Reliability, Robustness, and Security in the NISQ Era [3.1351527202068445]
  この研究は、TQML(Trustworthy Quantum Machine Learning)の幅広いロードマップを提供する。 i) 校正およびリスク対応意思決定のための不確実な定量化、(ii) 古典的および量子ネイティブな脅威モデルに対する堅牢性、(iii) 分散および委譲された量子学習シナリオにおけるプライバシー保護の3つの基本的柱を統合する。 このロードマップは、信頼性を量子AIの第一級設計目標として定義することを目指している。
  論文  参考訳（メタデータ） (2025-11-04T14:24:17Z)
• Differentially Private Federated Quantum Learning via Quantum Noise [9.540961602976965]
  量子連合学習(QFL)は、生のデータ交換なしで分散量子デバイス間で量子機械学習(QML)モデルの協調トレーニングを可能にする。 QFLは、情報プライバシを損なうために共有QMLモデルの更新を悪用できる敵攻撃に対して脆弱なままである。 本稿では,QFLプロセス全体の量子モデルを保護するために量子ノイズを利用する新しいDP機構について検討する。
  論文  参考訳（メタデータ） (2025-08-27T22:56:16Z)
• TensorHyper-VQC: A Tensor-Train-Guided Hypernetwork for Robust and Scalable Variational Quantum Computing [50.95799256262098]
  量子機械学習のための新しいテンソルトレイン(TT)誘導ハイパーネットワークフレームワークであるHyper-VQCを紹介する。 我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに委譲し、量子ハードウェアから最適化を効果的に分離する。 これらの結果から、Hyper-VQCは、短期デバイス上での実用的な量子機械学習を促進するためのスケーラブルで耐雑音性のあるフレームワークとして位置づけられる。
  論文  参考訳（メタデータ） (2025-08-01T23:37:55Z)
• Next-Generation Quantum Neural Networks: Enhancing Efficiency, Security, and Privacy [3.9554540293311864]
  本稿では、ノイズ中間規模量子(NISQ)時代に、信頼性とセキュアな量子ニューラルネットワーク(QNN)を開発する上での課題に対処する。 我々は,QNNの効率性,セキュリティ,プライバシを高めるために,既存のアプローチを活用し,組み合わせた統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-28T05:43:02Z)
• Sporadic Federated Learning Approach in Quantum Environment to Tackle Quantum Noise [1.2026018242953707]
  SpoQFLはノイズ変動に基づくトレーニング戦略を動的に調整する。 実世界のデータセットの実験により、SpotQFLは従来のQFLアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2025-07-15T20:30:11Z)
• 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)
• Provably Robust Training of Quantum Circuit Classifiers Against Parameter Noise [49.97673761305336]
  ノイズは、信頼できる量子アルゴリズムを達成するための大きな障害である。 本稿では,パラメータ化量子回路分類器のロバスト性を高めるための雑音耐性学習理論とアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-05-24T02:51:34Z)
• 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)

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。