論文の概要: Private training in quantum machine learning

• arxiv url: http://arxiv.org/abs/2606.29293v1
• Date: Sun, 28 Jun 2026 09:28:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.871143
• Title: Private training in quantum machine learning
• Title（参考訳）: 量子機械学習におけるプライベートトレーニング
• Authors: Tigran Sedrakyan, Frédéric Grosshans, Elham Kashefi,
• Abstract要約: AIの安全性に関する大きな疑問は、トレーニングデータに関して、学習をプライベートにする方法だ。 古典的な機械学習と同様に、量子機械学習(QML)モデルはプライバシの脆弱性を欠いているわけではない。 差分プライバシー(DP)は、機密データ上でMLモデルをトレーニングするための標準ツールであるが、QMLへの影響はよく分かっていない。
• 参考スコア（独自算出の注目度）: 1.8224668251608893
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the emergence of machine learning (ML) models trained on large datasets containing potentially sensitive data, a major question in AI safety is how to make learning private with respect to the training data. Similar to classical machine learning, quantum machine learning (QML) models are not devoid of privacy vulnerabilities. Differential privacy (DP) is a standard tool for training ML models on sensitive data, but its impact in QML remains poorly understood. In this work we study private training in hybrid variational QML models using a classical private DP-SGD optimizer applied to pipelines with classical inputs and outputs. We analyze the interplay between gradient clipping and calibrated noise addition in DP-SGD, and its impact on optimization and accuracy for noisy and noiseless quantum models. We first explain why quantum noise does not provide a satisfactory replacement for the calibrated noise in DP-SGD for ensuring privacy. We then show how the deterministic bounds on gradient norms for a wide class of quantum models translate into explicit control of the detrimental clipping bias introduced by DP-SGD. Finally, we formulate a numerical comparison protocol under fixed clipping threshold and privacy budget and evaluate it on synthetic and image-classification tasks for equivalent quantum and classical models. Our results suggest that quantum models can retain higher accuracy in private-training regimes where the formal privacy guarantee is ensured by a classical DP-SGD mechanism.
• Abstract（参考訳）: 潜在的にセンシティブなデータを含む大きなデータセットでトレーニングされた機械学習(ML)モデルの出現に伴い、AI安全性の大きな疑問は、トレーニングデータに関して学習をプライベートにする方法である。 古典的な機械学習と同様に、量子機械学習(QML)モデルはプライバシの脆弱性を欠いているわけではない。 差分プライバシー(DP)は、機密データ上でMLモデルをトレーニングするための標準ツールであるが、QMLへの影響はよく分かっていない。 本研究では、古典的な入力と出力を持つパイプラインに適用した古典的プライベートDP-SGDオプティマイザを用いたハイブリッド変分QMLモデルのプライベートトレーニングについて検討する。 DP-SGDにおける勾配クリッピングと校正雑音付加の相互作用を解析し,ノイズのない量子モデルに対する最適化と精度に与える影響について検討した。 まず、プライバシーを確保するためにDP-SGDの校正ノイズに量子ノイズが十分代替できない理由を説明する。 次に、幅広い種類の量子モデルに対する勾配ノルムの決定論的境界が、DP-SGDによって導入された有害なクリッピングバイアスの明示的な制御にどのように変換されるかを示す。 最後に、固定クリッピングしきい値とプライバシ予算に基づいて数値比較プロトコルを定式化し、等価な量子モデルと古典モデルのための合成および画像分類タスクで評価する。 以上の結果から,従来のDP-SGD機構によって正式なプライバシー保証が保証されるプライベートトレーニング制度において,量子モデルの方が高い精度を維持することが示唆された。

関連論文リスト

• Q-ShiftDP: A Differentially Private Parameter-Shift Rule for Quantum Machine Learning [15.599469486297679]
  ここでは差分私法を紹介する。 シフトルール(Q-ShiftDP) - 量子機械学習(QML)に適した最初のプライバシメカニズム パラメータシフト則によって計算される固有有界性と固有量子勾配を利用することで、Q-ShiftDPはより厳密な感度解析を可能にし、ノイズ要求を低減できる。
  論文  参考訳（メタデータ） (2026-02-03T01:02:18Z)
• ECO: Quantized Training without Full-Precision Master Weights [58.97082407934466]
  Error-Compensating (ECO)は、量子化されたパラメータに直接更新を適用することで、マスターウェイトを除去する。 ECO は最適値の定数半径近傍に収束するが、素早いマスターウェイト除去は学習率に逆比例する誤差を生じさせる。
  論文  参考訳（メタデータ） (2026-01-29T18:35:01Z)
• Communication-Efficient and Privacy-Adaptable Mechanism for Federated Learning [54.20871516148981]
  通信効率・プライバシー適応メカニズム(CEPAM)について紹介する。 CEPAMは通信効率とプライバシー保護を同時に達成する。 我々は、CEPAMのプライバシー保証を理論的に分析し、CEPAMのユーザプライバシと正確性の間のトレードオフを調査する。
  論文  参考訳（メタデータ） (2025-01-21T11:16:05Z)
• Scalable DP-SGD: Shuffling vs. Poisson Subsampling [61.19794019914523]
  バッチサンプリングをシャッフルしたマルチエポック適応線形クエリ(ABLQ)機構のプライバシ保証に対する新たな下位境界を提供する。 ポアソンのサブサンプリングと比較すると大きな差がみられ, 以前の分析は1つのエポックに限られていた。 本稿では,大規模な並列計算を用いて,Poissonサブサンプリングを大規模に実装する実践的手法を提案する。
  論文  参考訳（メタデータ） (2024-11-06T19:06:16Z)
• Noise-Aware Differentially Private Regression via Meta-Learning [25.14514068630219]
  差別化プライバシ(DP)は、ユーザのプライバシを保護するための金の標準であるが、標準のDPメカニズムはパフォーマンスを著しく損なう。 この問題を緩和する1つのアプローチは、DPがプライベートデータで学習する前にシミュレーションデータ上でモデルを事前訓練することである。 本研究では、シミュレーションデータを用いて、畳み込み条件ニューラルネットワーク(ConvCNP)と改良された機能DPメカニズムを組み合わせたメタ学習モデルをトレーニングする。
  論文  参考訳（メタデータ） (2024-06-12T18:11:24Z)
• RQP-SGD: Differential Private Machine Learning through Noisy SGD and Randomized Quantization [8.04975023021212]
  我々は、機械学習モデルをトレーニングするためのプライバシー保護量子化の新しいアプローチであるRQP-SGDを提案する。 このアプローチは、微分プライベートな勾配降下とランダムな量子化を組み合わせることで、測定可能なプライバシー保証を提供する。
  論文  参考訳（メタデータ） (2024-02-09T18:34:08Z)
• Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
  オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。 本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。 多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
  論文  参考訳（メタデータ） (2023-06-14T11:41:42Z)
• MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
  クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。 本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
  論文  参考訳（メタデータ） (2023-02-09T12:06:08Z)
• Quantum machine learning with differential privacy [3.2442879131520126]
  微分プライベート最適化アルゴリズムを用いて,プライバシ保存を訓練したハイブリッド量子古典モデルを開発した。 実験では、差分プライベートQMLは、モデル精度を低下させることなく、ユーザに敏感な情報を保護することができる。
  論文  参考訳（メタデータ） (2021-03-10T18:06:15Z)
• Differentially Private Federated Learning with Laplacian Smoothing [72.85272874099644]
  フェデレートラーニングは、ユーザ間でプライベートデータを共有せずに、協調的にモデルを学習することで、データのプライバシを保護することを目的としている。 敵は、リリースしたモデルを攻撃することによって、プライベートトレーニングデータを推測することができる。 差別化プライバシは、トレーニングされたモデルの正確性や実用性を著しく低下させる価格で、このような攻撃に対する統計的保護を提供する。
  論文  参考訳（メタデータ） (2020-05-01T04:28:38Z)

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。