論文の概要: CQSA: Byzantine-robust Clustered Quantum Secure Aggregation in Federated Learning

• arxiv url: http://arxiv.org/abs/2602.22269v1
• Date: Wed, 25 Feb 2026 07:50:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.339978
• Title: CQSA: Byzantine-robust Clustered Quantum Secure Aggregation in Federated Learning
• Title（参考訳）: CQSA: フェデレートラーニングにおけるビザンチンクラスター量子セキュアアグリゲーション
• Authors: Arnab Nath, Harsh Kasyap,
• Abstract要約: Federated Learning (FL)は、生データを共有せずに協調的なモデルトレーニングを可能にする。 共有されたローカルモデルの更新は、推論や中毒攻撃に対して脆弱なままである。 これらの攻撃を緩和するためのセキュアアグリゲーションスキームが提案されている。
• 参考スコア（独自算出の注目度）: 3.8673630752805437
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning (FL) enables collaborative model training without sharing raw data. However, shared local model updates remain vulnerable to inference and poisoning attacks. Secure aggregation schemes have been proposed to mitigate these attacks. In this work, we aim to understand how these techniques are implemented in quantum-assisted FL. Quantum Secure Aggregation (QSA) has been proposed, offering information-theoretic privacy by encoding client updates into the global phase of multipartite entangled states. Existing QSA protocols, however, rely on a single global Greenberger-Horne-Zeilinger (GHZ) state shared among all participating clients. This design poses fundamental challenges: fidelity of large-scale GHZ states deteriorates rapidly with the increasing number of clients; and (ii) the global aggregation prevents the detection of Byzantine clients. We propose Clustered Quantum Secure Aggregation (CQSA), a modular aggregation framework that reconciles the physical constraints of near-term quantum hardware along with the need for Byzantine-robustness in FL. CQSA randomly partitions the clients into small clusters, each performing local quantum aggregation using high-fidelity, low-qubit GHZ states. The server analyzes statistical relationships between cluster-level aggregates employing common statistical measures such as cosine similarity and Euclidean distance to identify malicious contributions. Through theoretical analysis and simulations under depolarizing noise, we demonstrate that CQSA ensures stable model convergence, achieves superior state fidelity over global QSA.
• Abstract（参考訳）: Federated Learning (FL)は、生データを共有せずに協調的なモデルトレーニングを可能にする。 しかし、共有されたローカルモデルの更新は、推論や中毒攻撃に弱いままである。 これらの攻撃を緩和するためのセキュアアグリゲーションスキームが提案されている。 本研究では,これらの手法が量子支援FLでどのように実装されているかを理解することを目的とする。 QSA(Quantum Secure Aggregation)が提案され、クライアント更新を多部絡み状態のグローバルフェーズにエンコードすることで、情報理論のプライバシを提供する。 しかし、既存のQSAプロトコルでは、グローバルなGreenberger-Horne-Zeilinger(GHZ)状態が全クライアントで共有されている。 大規模なGHZ状態の忠実度は、クライアントの増加に伴って急速に低下し、(ii)グローバルアグリゲーションはビザンティンクライアントの検出を妨げている。 本稿では,短期量子ハードウェアの物理的制約と,FLにおけるビザンチン・ロバスト性(Byzantine-robustness)の必要性を両立するモジュラーアグリゲーションフレームワークであるClustered Quantum Secure Aggregation (CQSA)を提案する。 CQSAはクライアントをランダムに小さなクラスタに分割し、それぞれ高忠実で低ビットのGHZ状態を使用して局所的な量子アグリゲーションを実行する。 サーバは、コサイン類似度やユークリッド距離といった一般的な統計指標を用いて、クラスタレベルのアグリゲーション間の統計的関係を分析し、悪意のあるコントリビューションを特定する。 偏極雑音下での理論的解析とシミュレーションにより、CQSAが安定なモデル収束を保証し、グローバルQSAよりも優れた状態忠実性を達成することを示す。

関連論文リスト

• Scalable and Highly Fault-Tolerant Circular Quantum Byzantine Agreement [3.997711170980834]
  量子ビザンチン協定(QBA)は、古典的なプロトコルに対するセキュリティとフォールトトレランスに固有の利点を提供する。 本稿では,円形メッセージ収集と量子デジタル署名を活用して,半分散アーキテクチャを採用する多党型円形QBAプロトコルを提案する。 我々のプロトコルは実験的に実現可能であり、弱いコヒーレントな状態しか必要とせず、既存の星型量子ネットワークと互換性がある。
  論文  参考訳（メタデータ） (2026-02-12T05:21:11Z)
• Consensus Protocols for Entanglement-Aware Scheduling in Distributed Quantum Neural Networks [18.148407575244942]
  本稿では,適応的絡み合い管理を伴う量子コンセンサスプロトコルを協調設計するConsensus-Entanglement-Aware Scheduling (CEAS) フレームワークを提案する。 CEASはフィデリティ重み付けアグリゲーションを統合し、パラメータ更新は量子フィッシャー情報によって重み付けされ、ノイズの多い寄与を抑制する。 CEASは、10～15パーセントの精度を維持している。
  論文  参考訳（メタデータ） (2026-02-06T16:36:52Z)
• 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)
• Noise-Resilient Quantum Aggregation on NISQ for Federated ADAS Learning [0.0]
  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。
  論文  参考訳（メタデータ） (2025-12-15T11:10:40Z)
• 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)
• QMA Complete Quantum-Enhanced Kyber: Provable Security Through CHSH Nonlocality [1.5469452301122173]
  量子後暗号は、量子敵に対する大規模通信システムを確保する必要がある。 本稿では,鍵交換相に直接量子非局所性検証を組み込む,最初のClauser-e-Shimony-Holt(CHSH)認証Kyberプロトコルを紹介する。 結果として生ずるCHSH強化キバースキームは、数学的に厳密でハイブリッドなポスト量子フレームワークを確立する。
  論文  参考訳（メタデータ） (2025-11-15T18:31:36Z)
• Federated Quantum Kernel Learning for Anomaly Detection in Multivariate IoT Time-Series [27.38765909731335]
  本稿では,FQKL(Federated Quantum Kernel Learning)フレームワークを提案する。 FQKLは、古典的連合ベースラインに比べて複雑な時間的相関を捉える際に優れた一般化を実現する。 この作業は、フェデレートされた設定における量子カーネルの約束を強調し、次世代IoTインフラストラクチャのためのスケーラブルで堅牢で量子強化されたインテリジェンスへの道を進めます。
  論文  参考訳（メタデータ） (2025-11-04T06:35:53Z)
• eQMARL: Entangled Quantum Multi-Agent Reinforcement Learning for Distributed Cooperation over Quantum Channels [98.314893665023]
  量子コンピューティングは、マルチエージェント環境における量子絡み合いと協調の潜在的なシナジーを引き起こした。 現在の最先端量子MARL(QMARL)の実装は、古典的な情報共有に依存している。 eQMARL(eQMARL)は、量子チャネル上での協調を容易にする分散型アクター批判フレームワークである。
  論文  参考訳（メタデータ） (2024-05-24T18:43:05Z)
• Quantize Once, Train Fast: Allreduce-Compatible Compression with Provable Guarantees [53.950234267704]
  我々は、全リデュース勾配互換量子化法であるGlobal-QSGDを紹介する。 ベースライン量子化法で最大3.51%の分散トレーニングを高速化することを示す。
  論文  参考訳（メタデータ） (2023-05-29T21:32:15Z)
• ScionFL: Efficient and Robust Secure Quantized Aggregation [36.668162197302365]
  我々は,フェデレートラーニングのための最初のセキュアアグリゲーションフレームワークであるScionFLを紹介する。 量子化された入力で効率的に動作し、同時に悪意のあるクライアントに対して堅牢性を提供する。 クライアントのオーバーヘッドがなく、サーバのオーバーヘッドも緩やかなため、標準的なFLベンチマークに匹敵する精度が得られます。
  論文  参考訳（メタデータ） (2022-10-13T21:46:55Z)

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。