論文の概要: Q-ShiftDP: A Differentially Private Parameter-Shift Rule for Quantum Machine Learning

• arxiv url: http://arxiv.org/abs/2602.02962v1
• Date: Tue, 03 Feb 2026 01:02:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.164806
• Title: Q-ShiftDP: A Differentially Private Parameter-Shift Rule for Quantum Machine Learning
• Title（参考訳）: Q-ShiftDP:量子機械学習のための微分プライベートパラメータシフトルール
• Authors: Hoang M. Ngo, Nhat Hoang-Xuan, Quan Nguyen, Nguyen Do, Incheol Shin, My T. Thai,
• Abstract要約: ここでは差分私法を紹介する。 シフトルール(Q-ShiftDP) - 量子機械学習(QML)に適した最初のプライバシメカニズム パラメータシフト則によって計算される固有有界性と固有量子勾配を利用することで、Q-ShiftDPはより厳密な感度解析を可能にし、ノイズ要求を低減できる。
• 参考スコア（独自算出の注目度）: 15.599469486297679
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum Machine Learning (QML) promises significant computational advantages, but preserving training data privacy remains challenging. Classical approaches like differentially private stochastic gradient descent (DP-SGD) add noise to gradients but fail to exploit the unique properties of quantum gradient estimation. In this work, we introduce the Differentially Private Parameter-Shift Rule (Q-ShiftDP), the first privacy mechanism tailored to QML. By leveraging the inherent boundedness and stochasticity of quantum gradients computed via the parameter-shift rule, Q-ShiftDP enables tighter sensitivity analysis and reduces noise requirements. We combine carefully calibrated Gaussian noise with intrinsic quantum noise to provide formal privacy and utility guarantees, and show that harnessing quantum noise further improves the privacy-utility trade-off. Experiments on benchmark datasets demonstrate that Q-ShiftDP consistently outperforms classical DP methods in QML.
• Abstract（参考訳）: 量子機械学習(QML)は、大きな計算上の利点を約束するが、データのプライバシのトレーニングは依然として難しい。 微分プライベート確率勾配勾配(DP-SGD)のような古典的なアプローチは、勾配にノイズを加えるが、量子勾配推定のユニークな性質を利用することができない。 本稿では,QMLに合わせた最初のプライバシ機構である差分的プライベートパラメータシフトルール(Q-ShiftDP)を紹介する。 パラメータシフト則によって計算される量子勾配の固有有界性と確率性を活用することにより、Q-ShiftDPはより厳密な感度解析を可能にし、ノイズ要求を低減できる。 我々は、ガウスノイズと固有の量子ノイズを慎重に校正し、正式なプライバシーとユーティリティ保証を提供し、量子ノイズを活用することで、プライバシーとユーティリティのトレードオフをさらに改善することを示す。 ベンチマークデータセットの実験では、Q-ShiftDPはQMLの従来のDPメソッドよりも一貫して優れていた。

関連論文リスト

• Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
  CL-QASは連続的な量子アーキテクチャ検索フレームワークである。 振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。 制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
  論文  参考訳（メタデータ） (2026-01-10T02:36:03Z)
• Spectral Graph Clustering under Differential Privacy: Balancing Privacy, Accuracy, and Efficiency [53.98433419539793]
  エッジ差分プライバシー(DP)下におけるスペクトルグラフクラスタリングの問題点について検討する。 具体的には, (i) エッジフリップによるグラフ摂動と, エッジプライバシを強制する隣接行列シャッフルを併用したグラフ摂動, (ii) 次元と複雑性の複雑さを低減するために低次元空間における加法的ガウス雑音を伴うプライベートグラフプロジェクション, (iii) 収束性を維持しながらエッジDPを確保するために反復的にガウス雑音を分散するノイズの多いパワーイテレーション手法である。
  論文  参考訳（メタデータ） (2025-10-08T15:30:27Z)
• Q-DPTS: Quantum Differentially Private Time Series Forecasting via Variational Quantum Circuits [15.7931649140901]
  我々はQ-DPTSを提案する。Q-DPTSは量子差分時時系列予測のためのハイブリッド量子古典的フレームワークである。 Q-DPTSは、変動量子回路とサンプルごとの勾配クリッピングとガウスノイズ注入を組み合わせることで、厳密な$(epsilon, delta)$-differential privacyを保証する。 結果は,Q-DPTSが同一のプライバシー予算の下で常に低い予測誤差を達成していることを示す。
  論文  参考訳（メタデータ） (2025-08-07T05:23:51Z)
• Calibration of Quantum Devices via Robust Statistical Methods [45.464983015777314]
  量子パラメータ学習の最先端技術に対するベイズ推論の高度な統計的手法を数値解析する。 既存のアプローチ、すなわち多モード性および高次元性において、これらのアプローチの利点を示す。 我々の発見は、オープン量子システムの力学を学習する量子キャラクタリゼーションの課題に応用できる。
  論文  参考訳（メタデータ） (2025-07-09T15:22:17Z)
• On the Convergence of DP-SGD with Adaptive Clipping [56.24689348875711]
  勾配クリッピングによるグラディエントDescentは、微分プライベート最適化を実現するための強力な技術である。 本稿では,量子クリッピング(QC-SGD)を用いたSGDの総合収束解析について述べる。 本稿では,QC-SGDが一定閾値クリッピングSGDに類似したバイアス問題にどのように悩まされているかを示す。
  論文  参考訳（メタデータ） (2024-12-27T20:29:47Z)
• On the Privacy of Selection Mechanisms with Gaussian Noise [44.577599546904736]
  ガウス雑音によるReport Noisy MaxとAbove Thresholdの分析を再検討する。 その結果,Report Noisy Max の純元 DP 境界と Above Threshold の純元 DP 境界を提供することが可能であることがわかった。
  論文  参考訳（メタデータ） (2024-02-09T02:11:25Z)
• Harnessing Inherent Noises for Privacy Preservation in Quantum Machine Learning [11.45148186874482]
  我々は,量子機械学習におけるデータプライバシ保護に固有の量子ノイズを活用することを提案する。 特に、ノイズ中規模量子(NISQ)デバイスを考えると、避けられないショットノイズと非コヒーレントノイズを利用する。
  論文  参考訳（メタデータ） (2023-12-18T11:52:44Z)
• Variational Denoising for Variational Quantum Eigensolver [0.28675177318965045]
  変分量子固有解法 (VQE) は、実用的な化学問題に量子的優位性を与える可能性を持つハイブリッドアルゴリズムである。 VQEは、特にノイズの多い量子デバイス上で動作する場合、タスク固有の設計とマシン固有のアーキテクチャの課題に直面します。 本稿では,VQEの解法を改善するために,パラメータ化量子ニューラルネットワークを用いた教師なし学習手法である変分分解を提案する。
  論文  参考訳（メタデータ） (2023-04-02T14:56:15Z)
• Composably secure data processing for Gaussian-modulated continuous variable quantum key distribution [58.720142291102135]
  連続可変量子鍵分布(QKD)は、ボソニックモードの二次構造を用いて、2つのリモートパーティ間の秘密鍵を確立する。 構成可能な有限サイズセキュリティの一般的な設定におけるホモダイン検出プロトコルについて検討する。 特に、ハイレート(非バイナリ)の低密度パリティチェックコードを使用する必要のあるハイシグネチャ・ツー・ノイズ・システマを解析する。
  論文  参考訳（メタデータ） (2021-03-30T18:02:55Z)

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。