論文の概要: Q-ANCHOR: Federated Quantum Learning with ZNE-guided Correction

• arxiv url: http://arxiv.org/abs/2605.30075v1
• Date: Thu, 28 May 2026 15:23:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.423076
• Title: Q-ANCHOR: Federated Quantum Learning with ZNE-guided Correction
• Title（参考訳）: Q-ANCHOR:ZNE誘導補正によるフェデレーション量子学習
• Authors: Hoang M. Ngo, Quan Nguyen, Wanli Xing, My T. Thai,
• Abstract要約: フェデレート平均化(Federated Averaging, FedAvg)は、量子フェデレーション学習(Quantum Federated Learning, QFL)文学における標準集約選択である。 グローバルモデルは、非IIDデータからのクライアントのドリフトとノイズの多い量子勾配推定からのハードウェアバイアスによって脱線される。 本稿では,Q-ANCHORを提案する。Q-ANCHORは,サーバ更新をゼロノイズ外挿でアンロックし,ステートフルなクライアント修正を適用し,クライアントのドリフトとハードウェアによるバイアスを抑える。
• 参考スコア（独自算出の注目度）: 16.75858394465606
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum Federated Learning (QFL) offers a promising framework to train quantum models across distributed clients while keeping data strictly local. Due to its simplicity and low communication overhead, Federated Averaging (FedAvg) is the standard aggregation choice in QFL literature. However, deploying QFL on practical hardware exposes a severe double-drift phenomenon: the global model is simultaneously derailed by client drift from non-IID data and hardware bias from noisy quantum gradient estimates. In this work, we first analyze the convergence of FedAvg under these realistic conditions, mathematically demonstrating that quantum hardware bias creates a persistent error floor that standard averaging cannot correct. To overcome this limitation, we propose Q-ANCHOR, a quantum-aware federated aggregation architecture that anchors server updates with zero-noise extrapolation while applying stateful client correction to suppress both client drift and hardware-induced bias. Our convergence theory proves that Q-ANCHOR successfully mitigates classical client drift while actively reducing the hardware-bias floor. Experimental results demonstrate that Q-ANCHOR achieves significantly more stable training than conventional FL baselines.
• Abstract（参考訳）: 量子フェデレートラーニング(QFL)は、データを厳密にローカルに保ちながら、分散クライアント間で量子モデルをトレーニングする有望なフレームワークを提供する。 単純で通信のオーバーヘッドが少ないため、FedAvg(Federated Averaging)はQFL文献の標準集約選択である。 しかし,QFLの実用ハードウェアへの展開は,クライアントの非IIDデータからのドリフトとノイズの多い量子勾配推定によるハードウェアバイアスにより,グローバルモデルが同時に脱線する,という深刻な二重ドリフト現象を露呈する。 本研究では,これらの現実的な条件下でのFedAvgの収束を解析し,量子ハードウェアのバイアスが標準平均値が正しくない永続的エラーフロアを生成することを数学的に示す。 この制限を克服するために、Q-ANCHORを提案する。Q-ANCHORは、サーバ更新をゼロノイズ外挿でアンロックし、ステートフルなクライアント修正を適用し、クライアントのドリフトとハードウェアによるバイアスを抑える。 我々の収束理論は、Q-ANCHORがハードウェアバイアスのフロアを積極的に減らしながら古典的なクライアントドリフトを緩和したことを証明している。 実験の結果,Q-ANCHORは従来のFLベースラインよりもかなり安定したトレーニングを達成できた。

関連論文リスト

• AQER: a scalable and efficient data loader for digital quantum computers [62.40228216126285]
  我々は,ターゲット状態の絡み合いを体系的に低減し,負荷回路を構成するスケーラブルなAQL手法であるAQERを開発した。 我々は、合成データセット、古典画像および言語データセット、最大50キュービットの量子多体状態データセットを用いて、AQERの有効性を評価するための体系的な実験を行う。
  論文  参考訳（メタデータ） (2026-02-02T14:39:42Z)
• 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)
• Towards Personalized Quantum Federated Learning for Anomaly Detection [8.888060860656859]
  異常検出は、ビデオ監視、医療診断、産業監視などの応用に大きな影響を及ぼす。 量子ネットワークでは、クライアントはハードウェア能力、回路設計、ノイズレベル、古典的なデータが量子状態にエンコードされるか、事前処理されるかという点でしばしば異なる。 異常検出のためのPQFL(Personal quantum Federated Learning)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-08T05:01:18Z)
• FedWSQ: Efficient Federated Learning with Weight Standardization and Distribution-Aware Non-Uniform Quantization [4.487640233047808]
  フェデレートラーニング(FL)は、データ不均一性や通信制約といった重要な課題により、しばしばパフォーマンス劣化に悩まされる。 We present a novel FL framework called FedWSQ, which integrates weight standardization (WS) and the proposed distribution-aware non-uniform Quantization (DANUQ)。
  論文  参考訳（メタデータ） (2025-06-30T04:46:25Z)
• Quantized and Asynchronous Federated Learning [22.40154714677385]
  我々は,通信ボトルネックに対処する新しい手法であるQuantized Federated AsynchronousQALを開発した。 我々はQALが一様クライアントの到着を必要とせずに$mathtcalqr$dic収束を実現することを証明した。 提案手法を標準ベンチマークを用いて検証する。
  論文  参考訳（メタデータ） (2024-09-30T21:22:41Z)
• Reconfigurable Intelligent Surface (RIS)-Assisted Entanglement Distribution in FSO Quantum Networks [62.87033427172205]
  自由空間光(FSO)量子チャネルに依存する量子ネットワーク(QN)は、光ファイバー基盤の確立が困難でコストがかかる環境における量子アプリケーションをサポートすることができる。 エンタングルメント分布のための仮想視線を提供する費用効率の高いフレームワークとして,再構成可能なインテリジェントサーフェス(RIS)を用いたFSOベースのQNを提案する。
  論文  参考訳（メタデータ） (2024-01-19T17:16:40Z)
• 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)
• AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
  本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。 我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
  論文  参考訳（メタデータ） (2020-07-14T09:07:29Z)

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。