論文の概要: QFed: Parameter-Compact Quantum-Classical Federated Learning

• arxiv url: http://arxiv.org/abs/2601.09809v1
• Date: Wed, 14 Jan 2026 19:16:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:18.867219
• Title: QFed: Parameter-Compact Quantum-Classical Federated Learning
• Title（参考訳）: QFed: パラメータコンパクトな量子古典的フェデレーション学習
• Authors: Samar Abdelghani, Soumaya Cherkaoui,
• Abstract要約: エッジデバイスネットワーク間の計算効率向上を目的とした,量子対応のフェデレーション学習フレームワークであるQFedを紹介する。 実験結果から,スケーラブルな環境での古典的アプローチに匹敵する精度を維持しつつ,VGG様モデルのパラメータカウントを77.6%削減できることがわかった。
• 参考スコア（独自算出の注目度）: 7.031234391152914
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Organizations and enterprises across domains such as healthcare, finance, and scientific research are increasingly required to extract collective intelligence from distributed, siloed datasets while adhering to strict privacy, regulatory, and sovereignty requirements. Federated Learning (FL) enables collaborative model building without sharing sensitive raw data, but faces growing challenges posed by statistical heterogeneity, system diversity, and the computational burden from complex models. This study examines the potential of quantum-assisted federated learning, which could cut the number of parameters in classical models by polylogarithmic factors and thus lessen training overhead. Accordingly, we introduce QFed, a quantum-enabled federated learning framework aimed at boosting computational efficiency across edge device networks. We evaluate the proposed framework using the widely adopted FashionMNIST dataset. Experimental results show that QFed achieves a 77.6% reduction in the parameter count of a VGG-like model while maintaining an accuracy comparable to classical approaches in a scalable environment. These results point to the potential of leveraging quantum computing within a federated learning context to strengthen FL capabilities of edge devices.
• Abstract（参考訳）: 医療、金融、科学研究などの分野にまたがる組織や企業は、厳格なプライバシー、規制、主権要件に固執しつつ、分散されたサイロ化されたデータセットから集合的なインテリジェンスを抽出することがますます求められている。 フェデレートラーニング(FL)は、センシティブな生データを共有せずにコラボレーティブなモデル構築を可能にするが、統計的不均一性、システムの多様性、複雑なモデルによる計算負担による課題の増加に直面している。 本研究は,古典的モデルのパラメータ数を多対数因子で削減し,学習オーバーヘッドを低減できる量子支援フェデレーション学習の可能性について検討する。 そこで我々は,エッジデバイスネットワーク間の計算効率向上を目的とした量子対応フェデレーション学習フレームワークであるQFedを紹介した。 広く採用されているFashionMNISTデータセットを用いて,提案手法の評価を行った。 実験結果から,スケーラブルな環境での古典的アプローチに匹敵する精度を維持しつつ,VGG様モデルのパラメータカウントを77.6%削減できることがわかった。 これらの結果は、エッジデバイスのFL能力を強化するために、フェデレートされた学習コンテキスト内で量子コンピューティングを活用する可能性を示している。

関連論文リスト

• Towards Heterogeneous Quantum Federated Learning: Challenges and Solutions [47.08625631041616]
  量子フェデレーション学習(QFL)は、量子コンピューティングとフェデレーション学習を組み合わせて、データのプライバシを維持しながら分散モデルトレーニングを可能にする。 既存のQFLフレームワークは、量子テキストカラーサイクル間の均一性に重点を置いており、量子データ分散、符号化技術、ハードウェアノイズレベル、計算能力の実際の分散を考慮していない。 これらの違いは、トレーニング中に不安定になり、収束が遅くなり、全体的なモデルパフォーマンスが低下する可能性がある。
  論文  参考訳（メタデータ） (2025-11-27T06:35:45Z)
• Enhancing Quantum Federated Learning with Fisher Information-Based Optimization [0.0]
  本稿では,ローカルクライアントモデル上で計算されたフィッシャー情報を利用する量子フェデレートラーニング(QFL)アルゴリズムを提案する。 このアプローチは、量子モデルの性能に大きな影響を及ぼす重要なパラメータを特定し、集約プロセス中にそれらを確実に保存する。
  論文  参考訳（メタデータ） (2025-07-23T15:14:53Z)
• Quantum-Accelerated Neural Imputation with Large Language Models (LLMs) [0.0]
  本稿では、浅い量子回路をLLMベースの計算アーキテクチャに統合する新しいフレームワークであるQuantum-UnIMPを紹介する。 ベンチマーク混合型データセットを用いた実験により, 数値特徴量(RMSE)の計算誤差を最大15.2%削減し, カテゴリー的特徴量(F1-Score)の分類精度を, 最先端の古典的手法とLLMベースの手法と比較して8.7%向上した。
  論文  参考訳（メタデータ） (2025-07-11T02:00:06Z)
• FedQNN: Federated Learning using Quantum Neural Networks [3.9554540293311864]
  本研究では,分散ネットワークを用いた量子機械学習(QML)モデルをトレーニングするためのフレームワークとして,量子フェデレートラーニング(QFL)の革新的な領域について検討する。 提案するFederated Quantum Neural Network (FedQNN) フレームワークは,QMLの特徴と古典的フェデレーション学習の原理を融合した最先端のソリューションとして出現する。
  論文  参考訳（メタデータ） (2024-03-16T08:58:03Z)
• Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
  我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。 提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
  論文  参考訳（メタデータ） (2023-07-12T16:28:21Z)
• Deep Equilibrium Models Meet Federated Learning [71.57324258813675]
  本研究では,従来の深層学習ネットワークの代わりにDeep Equilibrium(DEQ)モデルを用いて,フェデレートラーニング(FL)問題について検討する。 我々は、DECモデルをフェデレート学習フレームワークに組み込むことで、FLのいくつかのオープンな問題に自然に対処できると主張している。 我々の知る限りでは、この研究は、DECモデルとフェデレーションラーニングの関連性を確立する最初のものである。
  論文  参考訳（メタデータ） (2023-05-29T22:51:40Z)
• 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)
• Federated Stochastic Gradient Descent Begets Self-Induced Momentum [151.4322255230084]
  Federated Learning(FL)は、モバイルエッジシステムに適用可能な、新興の機械学習手法である。 このような条件下での勾配降下(SGD)への走行は,大域的な集約プロセスに運動量的な項を加えるとみなすことができる。
  論文  参考訳（メタデータ） (2022-02-17T02:01:37Z)

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。