論文の概要: Communication-Efficient Quantum Federated Learning over Large-Scale Wireless Networks
- arxiv url: http://arxiv.org/abs/2603.01222v1
- Date: Sun, 01 Mar 2026 18:41:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.574252
- Title: Communication-Efficient Quantum Federated Learning over Large-Scale Wireless Networks
- Title（参考訳）: 大規模無線ネットワークにおける通信効率のよい量子フェデレーション学習
- Authors: Shaba Shaon, Christopher G. Brinton, Dinh C. Nguyen,
- Abstract要約: 量子学習(QFL)は、コンピューティングの堅牢なデータ処理とプライバシ保護フェデレーション学習(FL)を組み合わせる。
大規模無線ネットワークでは、QFLの真の可能性を解き放つために、和中心の最適化が不可欠である。
本論文は,非orthoortho access (NOMA) ネットワーク用に特別に設計されている。
- 参考スコア（独自算出の注目度）: 21.963665862623245
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum federated learning (QFL) combines the robust data processing of quantum computing with the privacy-preserving features of federated learning (FL). However, in large-scale wireless networks, optimizing sum-rate is crucial for unlocking the true potential of QFL, facilitating effective model sharing and aggregation as devices compete for limited bandwidth amid dynamic channel conditions and fluctuating power resources. This paper studies a novel sum-rate maximization problem within a muti-channel QFL framework, specifically designed for non-orthogonal multiple access (NOMA)-based large-scale wireless networks. We develop a sum-rate maximization problem by jointly considering quantum device's channel selection and transmit power. Our formulated problem is a non-convex, mixed-integer nonlinear programming (MINLP) challenge that remains non-deterministic polynomial time (NP)-hard even with specified channel selection parameters. The complexity of the problem motivates us to create an effective iterative optimization approach that utilizes the sophisticated quantum approximate optimization algorithm (QAOA) to derive high-quality approximate solutions. Additionally, our study presents the first theoretical exploration of QFL convergence properties under full device participation, rigorously analyzing real-world scenarios with nonconvex loss functions, diverse data distributions, and the effects of quantum shot noise. Extensive simulation results indicate that our multi-channel NOMA-based QFL framework enhances model training and convergence behavior, surpassing conventional algorithms in terms of accuracy and loss. Moreover, our quantum-centric joint optimization approach achieves more than a 100% increase in sum-rate while ensuring rapid convergence, significantly outperforming the state-of-the-arts.
- Abstract（参考訳）: 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の堅牢なデータ処理と、フェデレーション学習(FL)のプライバシー保護機能を組み合わせたものである。
しかし、大規模無線ネットワークでは、QFLの真のポテンシャルを解き放ち、動的チャネル条件やゆらぎ電力資源の中で、デバイスが限られた帯域幅で競合するので、効率的なモデル共有と集約を容易にするために、総和レートの最適化が不可欠である。
本稿では,非直交多重アクセス(NOMA)に基づく大規模無線ネットワークを対象としたマルチチャネルQFLフレームワークにおいて,新たな総和レート最大化問題について検討する。
我々は、量子デバイスのチャネル選択と送信電力を共同で考慮し、総和レートの最大化問題を開発する。
我々の定式化問題は非凸・混合整数非線形プログラミング(MINLP)チャレンジであり、特定のチャネル選択パラメータであっても非決定論的多項式時間(NP)ハードのままである。
問題の複雑さは、高度な量子近似最適化アルゴリズム(QAOA)を用いて、高品質な近似解を導出する効果的な反復最適化手法を作成する動機となっている。
さらに、本研究では、QFL収束特性の完全なデバイス参加による最初の理論的探索、非凸損失関数による実世界のシナリオの厳密な分析、多様なデータ分布、および量子ショットノイズの影響について述べる。
シミュレーションの結果,提案するマルチチャネルNOMAベースのQFLフレームワークは,モデルトレーニングと収束挙動を向上し,精度と損失の点で従来のアルゴリズムを上回ることが示唆された。
さらに、我々の量子中心の合同最適化手法は、急激な収束を保ちながら、総和率を100%以上増加させ、最先端技術よりも大幅に向上させる。
関連論文リスト
- Lightweight Federated Learning over Wireless Edge Networks [83.4818741890634]
Federated (FL) はネットワークエッジの代替品であるが、無線ネットワークでは代替品である。
閉形式式FL収束ギャップ伝送パワー,モデルプルーニング誤差,量子化を導出する。
LTFLは、実世界のデータセットの実験において最先端のスキームよりも優れている。
論文 参考訳（メタデータ） (2025-07-13T09:14:17Z) - A Neural-Guided Variational Quantum Algorithm for Efficient Sign Structure Learning in Hybrid Architectures [11.258303973058377]
変分量子アルゴリズムは、短期量子プロセッサのパワーを解き放つという大きな約束を持っている。
本稿では、古典的および量子的モジュール間で振幅と手話の学習を分離するニューラルネットワーク誘導変分量子アルゴリズムsVQNHEを紹介する。
このハイブリッド量子古典的シナジーは、測定コストを削減するだけでなく、限られた量子資源で高い表現性を達成する。
論文 参考訳（メタデータ） (2025-07-10T08:54:49Z) - Quantum-Classical Hybrid Quantized Neural Network [8.382617481718643]
本稿では、任意のアクティベーションと損失関数の使用を可能にする、量子化されたニューラルネットワークトレーニングのための新しい擬似バイナリ最適化(QBO)モデルを提案する。
我々はQCBO問題を直接解くために量子コンピューティングを利用するQCGD(Quantum Gradient Conditional Descent)アルゴリズムを用いる。
論文 参考訳（メタデータ） (2025-06-23T02:12:36Z) - Communication-Efficient Federated Learning by Quantized Variance Reduction for Heterogeneous Wireless Edge Networks [55.467288506826755]
フェデレーテッド・ラーニング(FL)は、無線エッジネットワークにおけるローカル・プライバシ・アウェア・コラボレーティブ・モデルトレーニングの有効なソリューションとして認識されている。
既存の通信効率の高いFLアルゴリズムは、デバイス間の大きなばらつきを低減できない。
本稿では,高度分散還元方式に依存する新しい通信効率FLアルゴリズムであるFedQVRを提案する。
論文 参考訳（メタデータ） (2025-01-20T04:26:21Z) - A joint optimization approach of parameterized quantum circuits with a
tensor network [0.0]
現在の中間スケール量子(NISQ)デバイスはその能力に制限がある。
本稿では,パラメータ化ネットワーク(TN)を用いて,変分量子固有解法(VQE)アルゴリズムの性能改善を試みる。
論文 参考訳（メタデータ） (2024-02-19T12:53:52Z) - Generative AI-enabled Quantum Computing Networks and Intelligent
Resource Allocation [80.78352800340032]
量子コンピューティングネットワークは、大規模な生成AI計算タスクと高度な量子アルゴリズムを実行する。
量子コンピューティングネットワークにおける効率的なリソース割り当ては、量子ビットの可変性とネットワークの複雑さのために重要な課題である。
我々は、生成学習から量子機械学習まで、最先端強化学習(RL)アルゴリズムを導入し、最適な量子リソース割り当てを行う。
論文 参考訳（メタデータ） (2024-01-13T17:16:38Z) - Scaling Limits of Quantum Repeater Networks [62.75241407271626]
量子ネットワーク(QN)は、セキュアな通信、強化されたセンシング、効率的な分散量子コンピューティングのための有望なプラットフォームである。
量子状態の脆弱な性質のため、これらのネットワークはスケーラビリティの観点から大きな課題に直面している。
本稿では,量子リピータネットワーク(QRN)のスケーリング限界について解析する。
論文 参考訳（メタデータ） (2023-05-15T14:57:01Z) - Optimal Privacy Preserving for Federated Learning in Mobile Edge
Computing [35.57643489979182]
ユーザ差分プライバシ(DP)を維持するための有望なアプローチとして,無線ネットワーク上での定量化と意図的なノイズ付加によるフェデレーション学習(FL)がある。
本稿では,無線ネットワークとDP要件の制約下での収束率を最大化するために,量子化と二項機構パラメータと通信資源を協調的に最適化することを目的とする。
論文 参考訳（メタデータ） (2022-11-14T07:54:14Z) - Green, Quantized Federated Learning over Wireless Networks: An
Energy-Efficient Design [68.86220939532373]
有限精度レベルは、固定精度フォーマットで重みとアクティベーションを定量化する量子ニューラルネットワーク(QNN)を使用して取得される。
提案するFLフレームワークは,ベースラインFLアルゴリズムと比較して,収束までのエネルギー消費量を最大70%削減することができる。
論文 参考訳（メタデータ） (2022-07-19T16:37:24Z) - Data-Driven Random Access Optimization in Multi-Cell IoT Networks with
NOMA [78.60275748518589]
非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。
本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。
ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
論文 参考訳（メタデータ） (2021-01-02T15:21:08Z) - Noise-Robust End-to-End Quantum Control using Deep Autoregressive Policy
Networks [2.5946789143276447]
変分量子固有解法は、量子コンピューティングデバイスの使用を可能にするため、近年注目を集めている。
不確実性のある方法で連続的および離散的な自由度を同時に最適化できるハイブリッドポリシグラデーショングラデーションアルゴリズムを提案する。
我々の研究は、強化学習と量子制御の相乗効果を示す。
論文 参考訳（メタデータ） (2020-12-12T02:13:28Z)
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。