論文の概要: Towards Practical Quantum Federated Learning: Enhancing Efficiency and Noise Tolerance
- arxiv url: http://arxiv.org/abs/2603.03853v1
- Date: Wed, 04 Mar 2026 09:04:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-05 21:29:15.241406
- Title: Towards Practical Quantum Federated Learning: Enhancing Efficiency and Noise Tolerance
- Title（参考訳）: 実践的量子フェデレーション学習に向けて:効率性と耐雑音性を高める
- Authors: Suzukaze Kamei, Hideaki Kawaguchi, Takahiko Satoh,
- Abstract要約: フェデレートラーニング(FL)は、プライバシ保護のための分散モデルトレーニングを可能にするが、勾配インバージョンやモデル漏洩攻撃には脆弱である。
パラメータアグリゲーションのための情報理論セキュリティを提供するために量子通信が提案されている。
本稿では,量子フェデレーション学習におけるコミュニケーション・コンバージェンス・ノイズトレードオフの定量的研究について述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated Learning (FL) enables privacy-preserving distributed model training, yet remains vulnerable to gradient inversion and model leakage attacks. Quantum communication has been proposed to provide information-theoretic security for parameter aggregation. However, practical deployment is severely constrained by communication overhead and quantum channel noise. In this work, we present a systematic quantitative study of communication--convergence--noise trade-offs in Quantum Federated Learning (QFL). We introduce two complementary strategies to reduce quantum transmissions: (1) structured parameter reduction based on light-cone feature selection in parametrized quantum circuits, and (2) a Hybrid QFL architecture that dynamically switches from centralized to decentralized aggregation during training. We derive explicit communication cost formulas and show that Hybrid QFL reduces quantum transmissions from $3NMP$ per round to $\{3t + 2(T - t)\}NMP$, achieving substantial savings while preserving near-centralized convergence. We further analyze robustness under depolarizing noise and show that decentralized aggregation is more noise-resilient because it transmits fewer qubits per round. Finally, we evaluate the effectiveness of Steane code-based quantum error correction under high-noise regimes. Our results provide an integrated design framework for communication-efficient and noise-aware QFL, clarifying practical trade-offs necessary for scalable quantum-secure distributed learning.
- Abstract（参考訳）: フェデレートラーニング(FL)は、プライバシ保護のための分散モデルトレーニングを可能にするが、勾配インバージョンやモデル漏洩攻撃に弱いままである。
パラメータアグリゲーションのための情報理論セキュリティを提供するために量子通信が提案されている。
しかし、実際の展開は通信オーバーヘッドと量子チャネルノイズによって厳しく制約されている。
本稿では,Quantum Federated Learning (QFL)におけるコミュニケーション・コンバージェンス・ノイズトレードオフの定量的研究について述べる。
本稿では,(1)パラメタライズド量子回路における光コーン特徴選択に基づく構造パラメータの削減,(2)トレーニング中に集中的なアグリゲーションから分散化されたアグリゲーションへ動的に切り替えるハイブリッドQFLアーキテクチャを提案する。
我々は、明示的な通信コスト公式を導出し、Hybrid QFLが1ラウンドあたり3NMP$から$${3t + 2(T - t)\}NMP$に減らし、ほぼ集中的な収束を保ちながらかなりの節約を達成することを示す。
さらに, 偏極雑音下でのロバスト性を解析し, 1ラウンドあたりの量子ビット数が少ないため, 分散アグリゲーションの方が耐雑音性が高いことを示す。
最後に,Steane符号に基づく量子誤り訂正の有効性を高雑音下で評価する。
本研究は,スケーラブルな量子セキュア分散学習に必要な実践的トレードオフを明らかにするため,通信効率と雑音を考慮したQFLのための統合設計フレームワークを提供する。
関連論文リスト
- 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) - Tackling Heterogeneity in Quantum Federated Learning: An Integrated Sporadic-Personalized Approach [7.995944232955725]
本研究では,単一QFLフレームワークにおける量子ノイズとデータ不均一性を同時に処理するSPQFLという,新規な散発的個人化手法を提案する。
提案するSPQFLフレームワークに対して,散発的およびパーソナライズされた学習を考慮した厳密な収束分析を行う。
実世界のデータセットにおける大規模なシミュレーションの結果は、提案したSPQFLアプローチがトレーニング性能と収束安定性の面で大きな改善をもたらすことを示している。
論文 参考訳（メタデータ） (2026-01-11T23:29:08Z) - 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) - Readout-Side Bypass for Residual Hybrid Quantum-Classical Models [3.609274776085931]
量子機械学習(QML)はコンパクトで表現力のある表現を約束するが、測定ボトルネックに悩まされる。
本稿では,分類前の生入力で量子的特徴を確認可能な,軽量な残差ハイブリッドアーキテクチャを提案する。
我々のモデルは、低通信コストとプライバシーの堅牢性を保ちながら、量子ベースラインよりも最大で55%精度が向上する。
論文 参考訳（メタデータ） (2025-11-25T23:27:53Z) - Reinforcement Learning for Quantum Network Control with Application-Driven Objectives [53.03367590211247]
動的プログラミングと強化学習は、制御戦略を最適化するための有望なツールを提供する。
非線形で微分可能な目的関数を直接最適化する新しいRLフレームワークを提案する。
我々の研究は、RLを持つ量子ネットワークにおける非線形目的関数最適化への第一歩であり、より高度なユースケースへの道を開く。
論文 参考訳（メタデータ） (2025-09-12T18:41:10Z) - 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) - A purely Quantum Generative Modeling through Unitary Scrambling and Collapse [6.647966634235082]
量子スクランブルと崩壊生成モデル(Quantum Scrambling and Collapse Generative Model, QGen)は、古典的な依存関係を排除する純粋量子パラダイムである。
本研究では,学習をトラクタブルなサブプロブレムに分解し,バレンプラトーを緩和する測定に基づく学習原理を導入する。
経験的に、QGenは、有限ショットサンプリングの下で堅牢性を維持しながら、一致したパラメータ予算の下で古典的およびハイブリッド的ベースラインを上回っている。
論文 参考訳（メタデータ） (2025-06-12T11:00:21Z) - 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) - Near-Term Distributed Quantum Computation using Mean-Field Corrections
and Auxiliary Qubits [77.04894470683776]
本稿では,限られた情報伝達と保守的絡み合い生成を含む短期分散量子コンピューティングを提案する。
我々はこれらの概念に基づいて、変分量子アルゴリズムの断片化事前学習のための近似回路切断手法を作成する。
論文 参考訳（メタデータ） (2023-09-11T18:00:00Z) - Entangled Pair Resource Allocation under Uncertain Fidelity Requirements [59.83361663430336]
量子ネットワークにおいて、効果的な絡み合いルーティングは、量子ソースと量子宛先ノード間の通信を容易にする。
本稿では,絡み合ったペアに対する資源配分モデルと,整合性保証を伴う絡み合ったルーティングモデルを提案する。
提案モデルでは, ベースラインモデルと比較して, 総コストを少なくとも20%削減できる。
論文 参考訳（メタデータ） (2023-04-10T07:16:51Z) - Quantum communication complexity beyond Bell nonlocality [87.70068711362255]
効率的な分散コンピューティングは、リソース要求タスクを解決するためのスケーラブルな戦略を提供する。
量子リソースはこのタスクに適しており、古典的手法よりも優れた明確な戦略を提供する。
我々は,ベルのような不等式に,新たなコミュニケーション複雑性タスクのクラスを関連付けることができることを証明した。
論文 参考訳（メタデータ） (2021-06-11T18:00:09Z)
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。