論文の概要: QFedAgent: Quantum-Enhanced Personalized Federated Learning for Multi-Agent Activity Recognition

• arxiv url: http://arxiv.org/abs/2607.02426v1
• Date: Thu, 02 Jul 2026 16:54:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.93578
• Title: QFedAgent: Quantum-Enhanced Personalized Federated Learning for Multi-Agent Activity Recognition
• Title（参考訳）: QFedAgent:マルチエージェントアクティビティ認識のための量子強化個人化フェデレーション学習
• Abstract要約: QFedAgentは、マルチエージェントアクティビティ認識のためのハイブリッド量子古典的パーソナライズされたFLフレームワークである。 このアプローチは、加速度計とジャイロスコープの相互作用をモデル化する変分量子回路融合モジュールを統合する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Federated learning (FL) enables collaborative model training across distributed devices without sharing raw data, making it suitable for privacy-sensitive robotic sensing applications. However, multi-agent systems generate heterogeneous and non-independent and identically distributed (non-IID) multimodal sensor streams that degrade conventional FL algorithms, while classical fusion modules introduce substantial parameter overhead and communication cost. This paper proposes QFedAgent, a hybrid quantum-classical personalized FL framework for multi-agent activity recognition. The approach integrates a variational quantum circuit fusion module that models accelerometer--gyroscope interactions through quantum state encoding and entanglement, requiring only 72 quantum rotation parameters versus 33K in classical multi-layer perceptron-based fusion, achieving approximately 10x total parameter reduction. Experiments on the OPPORTUNITY dataset under subject-based non-IID partitions demonstrate 97.7% mean test accuracy, confirming that parameter-efficient quantum fusion remains competitive with conventional federated baselines.
• Abstract（参考訳）: フェデレートラーニング(FL)は、生データを共有せずに、分散デバイス間で協調的なモデルトレーニングを可能にし、プライバシに敏感なロボットセンシングアプリケーションに適している。 しかし、マルチエージェントシステムは従来のFLアルゴリズムを劣化させる不均一で非独立な(非IID)マルチモーダルセンサストリームを生成し、古典的な融合モジュールはかなりのパラメータオーバーヘッドと通信コストをもたらす。 本稿では、マルチエージェントアクティビティ認識のためのハイブリッド量子古典的パーソナライズFLフレームワークQFedAgentを提案する。 このアプローチは、量子状態の符号化と絡み合いを通じて加速度計とジャイロスコープの相互作用をモデル化する変分量子回路融合モジュールを統合する。 主観的非IID分割によるOPPORTUNITYデータセットの実験では、97.7%の平均的なテスト精度が示され、パラメータ効率の量子融合が従来の連邦ベースラインと競合し続けることが確認された。

関連論文リスト

• Meta-Quantum Ensemble Framework for Robust Network Intrusion Detection [2.2133667529581933]
  侵入検知システム(IDS)は、厳密な偽陽性制約の下で動作しながら高い検出感度を維持する必要がある。 本研究は、異種量子学習者がIDSタスクに有用かつ非冗長な決定情報を提供できるかどうかを考察する。 本稿では,QSVM と QNN 出力を融合したハイブリッド量子古典的フレームワークである System-Level Meta-Quantum Ensemble (MQE) を提案する。
  論文  参考訳（メタデータ） (2026-05-26T08:44:54Z)
• Programming long-range interactions in analog quantum simulators [39.364243535886985]
  長距離相互作用は多くの平衡現象と外平衡量子多体現象の源である。 我々は,このチューニング性を利用して,アナログシミュレータにおける多体状態準備を強化するハイブリッド型古典量子ツールボックスを開発した。 本研究は,次世代アナログ量子シミュレータのための強力なリソースとして,プログラマブルな長距離相互作用を確立した。
  論文  参考訳（メタデータ） (2026-04-24T12:06:38Z)
• Designing quantum technologies with a quantum computer [1.4951795042951048]
  一般電子スピン共鳴ハミルトニアンを用いたデバイスシミュレーションのための量子コンピュータ支援フレームワークを開発した。 このモデルでは、グレーエンコードされたqudit-to-qubitマッピング、qubit-wise commutingアグリゲーション、およびマルチ参照選択量子クリロフ高速フォワードアルゴリズムを組み合わせる。 数値シミュレーションはマイクロ波吸収スペクトルとともに$sim100$nsまでの自己相関関数の計算を実証する。 本フレームワークを古典シミュレーションに対してベンチマークし,ハードウェアコストの固定精度を規定する主要な要因として,sQKFFにおける参照状態の選択を同定する。
  論文  参考訳（メタデータ） (2026-01-29T18:26:54Z)
• 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)
• Design and Optimization of Adaptive Diversity Schemes in Quantum MIMO Channels [45.812053169933705]
  本研究では、送信機における普遍的非対称クローニングと受信機における確率的浄化に基づく離散変数QuMIMOシステムの適応的多様性戦略について検討する。 その結果,提案手法はクロストークに支配された設定において有意な忠実性向上をもたらし,チャネル対称性やチャネル条件に自動的に適応することがわかった。 この研究は、将来のQuMIMOシステムの設計ガイドラインを提供し、より高度な伝送および復号戦略のための堅牢なベースラインを確立する。
  論文  参考訳（メタデータ） (2025-11-19T15:58:10Z)
• Expressive and Scalable Quantum Fusion for Multimodal Learning [16.82193084379014]
  提案手法は量子融合層 (Quantum Fusion Layer, QFL) と呼ばれ、古典的な融合スキームをハイブリッドな量子古典的手順で置き換える。 シミュレーションでは、QFLは小さなが多様なマルチモーダルタスクにおいて、強い古典的ベースラインを一貫して上回る。 これらの結果は、QFLがマルチモーダル融合に対する根本的に新しいスケーラブルなアプローチを提供し、より大きなシステムに対するより深い探索に役立つことを示唆している。
  論文  参考訳（メタデータ） (2025-10-08T12:19:44Z)
• Quantum Federated Learning for Multimodal Data: A Modality-Agnostic Approach [1.1008520905907015]
  分散プライバシ保護量子機械学習(QML)モデルを量子プロセッサ(クライアント)間でトレーニング可能にするために、量子フェデレーション学習(QFL)が導入されている。 量子エンタングルメントを用いた中間核融合によるQFL設定に適した新しいマルチモーダルアプローチを初めて提示する。 我々は、未学習の量子回路を分離し、破損状態のない安定したトレーニングを確実にする、ミス・モダリティ・アグノスティック(MMA)機構を導入する。
  論文  参考訳（メタデータ） (2025-07-10T23:33:58Z)
• 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)
• Enhancing Quantum Diffusion Models with Pairwise Bell State Entanglement [35.436358464279785]
  本稿では、ノイズ中間スケール量子(NISQ)デバイス向けに設計された新しい量子拡散モデルを提案する。 量子絡み合いと重ね合わせを利用して、このアプローチは量子生成学習を前進させる。
  論文  参考訳（メタデータ） (2024-11-24T20:14:57Z)
• Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
  量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。 関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。 量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-21T21:40:47Z)
• Quantum Classical Algorithm for the Study of Phase Transitions in the Hubbard Model via Dynamical Mean-Field Theory [0.0]
  本稿では, 量子コンピューティング, 多体理論, 量子機械学習を連携させて, 強相関系の研究を行うワークフローを提案する。 DMFT近似におけるHubbardモデルのゼロ温度波動関数のデータベースを生成する。 次に、QMLアルゴリズムを用いて金属相とモット絶縁体相を区別し、金属-モット絶縁体相転移を捉える。
  論文  参考訳（メタデータ） (2023-08-02T19:11:04Z)
• IPCC-TP: Utilizing Incremental Pearson Correlation Coefficient for Joint Multi-Agent Trajectory Prediction [73.25645602768158]
  IPCC-TPはインクリメンタルピアソン相関係数に基づく新しい関連認識モジュールであり,マルチエージェントインタラクションモデリングを改善する。 我々のモジュールは、既存のマルチエージェント予測手法に便利に組み込んで、元の動き分布デコーダを拡張することができる。
  論文  参考訳（メタデータ） (2023-03-01T15:16:56Z)

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。