論文の概要: Q-RAIL: A Reliability-Aware Framework for Quantum Federated Learning on Heterogeneous Noisy Hardware
- arxiv url: http://arxiv.org/abs/2605.25783v1
- Date: Mon, 25 May 2026 12:29:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:20.038604
- Title: Q-RAIL: A Reliability-Aware Framework for Quantum Federated Learning on Heterogeneous Noisy Hardware
- Title（参考訳）: Q-RAIL:不均一ノイズハードウェア上での量子フェデレーション学習のための信頼性を考慮したフレームワーク
- Authors: Walid El Maouaki, Muhammad Shafique,
- Abstract要約: Q-RAIL(Quantum Reliability-Aware Federated Inference and Learning)は、ハードウェア・ヘテロジニアスQFLのための回路・キャリブレーション・アウェア・アウェア・アグリゲーション手法である。
Q-RAILはアブレーション研究を含む複数の実験条件で評価され、3つのデータセットの最先端手法に対してベンチマークされた。
その結果、不均一量子ハードウェア上でのロバストQFLへの実用的な経路として、キャリブレーション駆動の回路認識アグリゲーションがサポートされた。
- 参考スコア（独自算出の注目度）: 2.717526933594264
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum federated learning (QFL) on NISQ hardware is highly sensitive to backend heterogeneity: some clients contribute informative updates, while others contribute noise-dominated drift that uniform averaging cannot distinguish. We propose Q-RAIL (Quantum Reliability-Aware Federated Inference and Learning), a circuit- and calibration-aware aggregation method for hardware-heterogeneous QFL. Q-RAIL computes a client-specific effective noise budget from backend calibration metadata together with transpiled circuit statistics. This budget is converted into stabilized aggregation weights using temperature scaling, uniform mixing, and a minimum-weight floor. Q-RAIL was evaluated across multiple experimental settings, including an ablation study, and benchmarked against state-of-the-art methods on three datasets: MNIST, Fashion-MNIST, and OrganAMNIST. On the primary MNIST benchmark under strong hardware skew, Q-RAIL improves final test accuracy from FedAvg's 0.777 to 0.877, a +10.0-point gain corresponding to about 44.8% relative error reduction, while also exceeding the strongest wpQFL baseline (0.833). At the same time, test loss drops from 0.722 to 0.585, and test AUC rises from 0.920 to 0.973. Under non-IID MNIST, Q-RAIL reaches 0.813 vs 0.722 for FedAvg. It also outperforms FedAvg in 12/12 ansatz/CX-fold stress configurations and remains stronger at 4, 10, and 15 qubit setups. Overall, the results support calibration-driven, circuit-aware aggregation as a practical path toward robust QFL on heterogeneous quantum hardware.
- Abstract（参考訳）: NISQハードウェア上の量子連合学習(QFL)は、バックエンドの不均一性に対して非常に敏感である。
Q-RAIL(Quantum Reliability-Aware Federated Inference and Learning)を提案する。
Q-RAILは、バックエンドのキャリブレーションメタデータからクライアント固有の効果的なノイズ予算と、トランスパイルされた回路統計を演算する。
この予算は、温度スケーリング、均一混合、および最小重量床を用いて安定化された凝集重量に変換される。
Q-RAILはアブレーション研究を含む複数の実験条件で評価され、MNIST、Fashion-MNIST、OrganAMNISTの3つのデータセットで最先端の手法と比較された。
ハードウェアの歪みが強いMNISTベンチマークでは、Q-RAILはFedAvgの0.777から0.877までの最終的なテスト精度を改善し、約44.8%の相対誤差削減に対応する+10.0ポイントのゲインを達成し、また最強のwpQFLベースライン(0.833)を超えた。
同時に、テスト損失は0.722から0.585に減少し、テストAUCは0.920から0.973に上昇する。
非IID MNISTでは、Q-RAILはFedAvgの0.813対0.722に達する。
また、12/12アンサッツ/CX折り畳み応力構成でFedAvgを上回り、4, 10, 15量子ビット設定で強く保つ。
全体として、不均一な量子ハードウェア上でのロバストQFLへの実践的な経路として、キャリブレーション駆動の回路認識アグリゲーションをサポートする。
関連論文リスト
- VOLTA: The Surprising Ineffectiveness of Auxiliary Losses for Calibrated Deep Learning [0.0]
不確実性定量化(UQ)は、ディープラーニングモデルを安全クリティカルなアプリケーションにデプロイするために不可欠である。
異なるデータモダリティや分散シフトに対して、UQ法が最善を尽くすコンセンサスはない。
本稿では,MC Dropout, SWAG, アンサンブル法, 温度スケーリング, エネルギーベースOOD, マハラノビス, 双曲型分類器, ENN, Taylor Sensus, スプリット共形予測を含む10種類のUQベースラインのベンチマークを示す。
以上の結果から,VOLTAはより複雑なUQアプローチに代わる,軽量で決定論的かつ十分に校正された代替手段として確立された。
論文 参考訳（メタデータ） (2026-04-09T17:22:36Z) - BiRQA: Bidirectional Robust Quality Assessment for Images [49.74447451098852]
フル参照画像品質評価(FR IQA)は、画像圧縮、復元、生成モデリングにおいて重要である。
本稿では、双方向の多スケールピラミッド内で4つの高速補完特徴を処理するコンパクトFR IQA計量モデルであるBiRQAを提案する。
5つのパブリックFR IQAベンチマークでは、BiRQAは以前のSOTAモデルよりも3倍高速で動作しながら、以前の状態(SOTA)より優れ、あるいは一致している。
論文 参考訳（メタデータ） (2026-02-23T20:52:56Z) - 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-Adaptive Quantum Circuit Mapping for Multi-Chip NISQ Systems via Deep Reinforcement Learning [0.0]
本稿では,双方向長短期記憶に基づく動的雑音適応ネットワークを統合した深層強化学習フレームワークDeepQMapを提案する。
本手法は,量子系の動作の時間的表現を学習することで,ハードウェアのダイナミクスに継続的に適応する。
DeepQMapは平均回路忠実度が0.920 pm 0.023$であり、最先端のQUBO法よりも統計的に49.3%向上している。
論文 参考訳（メタデータ） (2025-11-22T14:27:55Z) - Uncertainty Makes It Stable: Curiosity-Driven Quantized Mixture-of-Experts [6.221156050218661]
本稿では、資源制約のあるデバイス上でのディープニューラルネットワークのための好奇心駆動型量子化混合処理フレームワークを提案する。
われわれの4ビット量子化は、16ビットの精度(0.858対0.859 F1)の99.9%を維持し、4倍の圧縮と41%の省エネを実現している。
我々の情報理論的ルーティングは、適応量子化が精度(0.858 F1, 1.2M params)、エネルギー効率(3.87 F1/mJ)、予測可能なエッジモデルをもたらすことを示す。
論文 参考訳（メタデータ） (2025-11-13T15:32:41Z) - Quantum Kernel Methods: Convergence Theory, Separation Bounds and Applications to Marketing Analytics [0.22940141855172033]
本研究は、NISQ体制における実際の消費者分類タスクに量子カーネル法を適用することの実現可能性について研究する。
量子カーネル支援ベクトルマシン(Q-SVM)と量子特徴抽出モジュール(QFE)を組み合わせたハイブリッドパイプラインを提案する。
論文 参考訳（メタデータ） (2025-10-11T14:11:41Z) - Robust Residual Finite Scalar Quantization for Neural Compression [46.574899938569125]
有限スカラー量子化(FSQ)は、簡易なトレーニングを提供するが、多段階設定での残留等級劣化に悩まされる。
本稿では,2つの新しい条件付け手法を用いて,この基本的な制限に対処するロバスト残留有限スカラー量子化(RFSQ)を提案する。
RFSQの有効性と一般化性を示す。
論文 参考訳（メタデータ） (2025-08-20T15:18:59Z) - Task-Circuit Quantization: Leveraging Knowledge Localization and Interpretability for Compression [55.323397702682506]
後トレーニング量子化(PTQ)は、コストのかかる再トレーニングなしに全精度重みを低ビット重みにマッピングすることで、モデルのメモリフットプリントを削減する。
我々は,自動回路発見に並列性を持つ新しい混合精度PTQ手法であるTask-Circuit Quantization (TaCQ)を開発した。
論文 参考訳（メタデータ） (2025-04-10T02:19:03Z) - MixedNUTS: Training-Free Accuracy-Robustness Balance via Nonlinearly Mixed Classifiers [41.56951365163419]
MixedNUTSは、ロバストな分類器の出力ロジットを3つのパラメータしか持たない非線形変換で処理する訓練不要の手法である。
MixedNUTSは変換されたロジットを確率に変換し、それらを全体の出力として混合する。
CIFAR-10、CIFAR-100、ImageNetデータセットでは、MixedNUTSの精度とほぼSOTAの堅牢性を大幅に改善した。
論文 参考訳（メタデータ） (2024-02-03T21:12:36Z)
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。