論文の概要: Evidential Quantum Vertical Federated Learning
- arxiv url: http://arxiv.org/abs/2603.21102v1
- Date: Sun, 22 Mar 2026 07:36:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.239024
- Title: Evidential Quantum Vertical Federated Learning
- Title（参考訳）: Evidential Quantum Vertical Federated Learning
- Authors: Hao Luo, Zhiyuan Zhai, Qianli Zhou, Jun Qi, Yong Deng, Xin Wang,
- Abstract要約: プライバシー保護型協調学習のためのEvidential Quantum Vertical Federated Learning (eviQVFL)を提案する。
eviQVFLは、パーティサイドの特徴処理、局所的な特徴を量子状態にマッピングする、ハイブリッドな古典量子アーキテクチャを採用している。
プライバシを保ち、情報損失を回避するため、パーティサイド出力状態は、量子テレポーテーションを介してサーバに直接送信される。
- 参考スコア（独自算出の注目度）: 19.065815604895818
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum federated learning (QFL) has recently emerged as a promising paradigm for privacy-preserving collaborative learning, yet most existing studies focus on horizontal federated learning and ignore the vertical federated learning (VFL), where parties hold complementary features of aligned samples. In this work, we propose Evidential Quantum Vertical Federated Learning (eviQVFL), a VFL-tailored QFL framework that employs a hybrid classical-quantum architecture for party-side feature processing, mapping local features into a quantum state. To preserve privacy and avoid information loss, party-side output states are directly transmitted to the server via quantum teleportation, and the server fuses the received quantum states with a non-parametric evidential fusion circuit grounded in evidence theory, followed by measurement-based inference. Extensive simulations on image classification and other real-world datasets demonstrate that eviQVFL consistently achieves higher classification accuracy than other classical and quantum baselines under comparable parameter budgets. Both empirical observations and theoretical analysis indicate that eviQVFL achieve less approximation error with limited quantum resources, while maintaining training stability and offering stronger feature privacy.
- Abstract（参考訳）: 量子連合学習(QFL)は、最近、プライバシー保護協調学習の有望なパラダイムとして登場したが、既存のほとんどの研究は水平連合学習に重点を置いており、協調サンプルの補完的な特徴を持つ垂直連合学習(VFL)を無視している。
本研究では,従来のQFLフレームワークであるEvidential Quantum Vertical Federated Learning (eviQVFL)を提案する。
プライバシを保ち、情報損失を回避するため、パーティサイド出力状態は、量子テレポーテーションを介してサーバに直接送信され、サーバは、エビデンス理論に基づく非パラメトリック顕在核融合回路で受信した量子状態を融合し、次いで測定ベースの推論を行う。
画像分類やその他の実世界のデータセットに関する広範囲なシミュレーションは、eviQVFLが同等のパラメータ予算の下で他の古典的および量子的ベースラインよりも高い分類精度を一貫して達成していることを示している。
経験的観測と理論的解析の両方で、eviQVFLは、トレーニング安定性を維持しつつ、より強力な機能プライバシーを提供しながら、限られた量子リソースで近似誤差を少なくすることを示している。
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) - Quantum Federated Learning: Architectural Elements and Future Directions [14.52078045094711]
フェデレートラーニング(FL)は、プライベートデータサイロを中央サーバに移行する必要なく、コラボレーティブモデルトレーニングに重点を置いている。
この章では、量子計算を導入するハイブリッドパラダイム、量子フェデレートラーニング(QFL)について調査する。
医療、車載ネットワーク、無線ネットワーク、ネットワークセキュリティにおけるQFLの適用について述べる。
論文 参考訳（メタデータ） (2025-10-20T15:21:46Z) - VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。
本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
論文 参考訳（メタデータ） (2025-06-12T01:38:15Z) - When Federated Learning Meets Quantum Computing: Survey and Research Opportunities [7.815483087739133]
量子フェデレーションラーニング(QFL)は、分散フェデレーションラーニング(FL)モデルのスケーラビリティと効率を改善するために、量子コンピューティング(QC)の進歩を活用する新興分野である。
本稿では,FLがQCに適合する際の課題と解決策について,体系的かつ包括的な調査を行う。
論文 参考訳（メタデータ） (2025-04-09T07:29:33Z) - Quantum Federated Learning Experiments in the Cloud with Data Encoding [14.666615671419848]
量子フェデレートラーニング(Quantum Federated Learning, QFL)は、量子ネットワーク上でのフェデレーションラーニング(FL)の展開を目的とした、新たな概念である。
我々は、QFLをクラウドプラットフォームにデプロイする際の課題について検討し、量子的複雑さとプラットフォーム制限を強調した。
論文 参考訳（メタデータ） (2024-05-01T23:41:14Z) - Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms [65.268245109828]
我々はカーンズのSQオラクルとヴァリアントの弱い評価オラクルからインスピレーションを得ます。
評価クエリから学習するための非条件の下限を出力する,広範かつ直感的なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-26T18:23:21Z) - Foundations of Quantum Federated Learning Over Classical and Quantum
Networks [59.121263013213756]
量子フェデレーション学習(QFL)は、古典的フェデレーション学習(FL)の利点と量子技術の計算能力を統合する新しいフレームワークである。
QFLは古典的通信網と量子的通信網の両方に展開できる。
論文 参考訳（メタデータ） (2023-10-23T02:56:00Z) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-30T12:19:27Z)
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。