論文の概要: PAS-QFL: Personalized Ansatz Selection for Quantum Federated Learning under Client Data Heterogeneity

• arxiv url: http://arxiv.org/abs/2608.14995v1
• Date: Sat, 15 Aug 2026 02:52:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.155986
• Title: PAS-QFL: Personalized Ansatz Selection for Quantum Federated Learning under Client Data Heterogeneity
• Title（参考訳）: PAS-QFL:クライアントデータの均一性を考慮した量子フェデレーション学習のためのパーソナライズされたアンザッツ選択
• Abstract要約: PAS-QFLはPersonalized Ansatz Selection framework for Quantum Federated Learningである。 各クライアントQNNをグローバルに共有されるアンサッツとクライアント固有のプライベートアンサッツに分解し、パラメータだけでなく、プライベートアンサッツの構造をパーソナライズする。 PAS-QFLは、既存の固定アンザッツQFLベースラインよりも平均的なマクロF1を改善し、実用的なQFLのためのアンザッツ構造をパーソナライズする価値を示す。
• 参考スコア（独自算出の注目度）: 1.2788737111339221
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum federated learning (QFL) lets multiple quantum clients collaboratively train quantum neural networks (QNNs) without sharing private local data. However, existing QFL methods commonly assume that all clients use the same ansatz, overlooking how heterogeneous client data affects ansatz suitability. Under class-imbalanced non-IID data, different clients may favor different ansatz structures, so a fixed ansatz can lead to unstable and unfair performance across clients. In this paper, we propose PAS-QFL, a Personalized Ansatz Selection framework for QFL under client data heterogeneity. Rather than treating the ansatz as a monolithic structure, PAS-QFL decomposes each client QNN into a globally shared ansatz and a client-specific private ansatz, and personalizes the structure of the private ansatz rather than only its parameters. The shared ansatz is placed first and selected by a stability-aware cross-client criterion so that its parameters can be reliably aggregated, while the private ansatz serves as a personalized decision head, selected per client by local Macro-F1 to adapt the shared representation to its local data. During training, each client updates both its shared and private parameters locally but uploads only the shared parameters, so federated aggregation stays well-defined while each client keeps its own private structure. PAS-QFL uses Macro-F1 as the primary selection metric to avoid misleading accuracy under class imbalance. Experiments on heterogeneous QFL tasks show that PAS-QFL improves average Macro-F1 over the existing fixed-ansatz QFL baselines, demonstrating the value of personalizing the ansatz structure for practical QFL.
• Abstract（参考訳）: 量子フェデレーション学習(QFL)は、複数の量子クライアントが、プライベートなローカルデータを共有せずに、協調的に量子ニューラルネットワーク(QNN)をトレーニングすることを可能にする。 しかし、既存のQFL手法では、全てのクライアントが同じアンザッツを使っていると仮定し、不均一なクライアントデータがアンザッツの適合性にどのように影響するかを見極めている。 クラス不均衡な非IIDデータの下では、異なるクライアントは異なるアンザッツ構造を好む可能性があるため、固定アンザッツはクライアント間で不安定で不公平なパフォーマンスをもたらす可能性がある。 本稿では、クライアントデータの不均一性下でのQFLのためのパーソナライズされたAnsatz選択フレームワークであるPAS-QFLを提案する。 アンザッツをモノリシックな構造として扱うのではなく、PAS-QFLは各クライアントQNNをグローバルに共有されるアンザッツとクライアント固有のプライベートアンザッツに分解し、パラメータだけでなくプライベートアンザッツの構造をパーソナライズする。 共有アンサッツは、そのパラメータを確実に集約できるように、安定性に配慮したクロスクオリティ基準により第一に、選択され、一方、プライベートアンサッツは、ローカルマクロF1によりクライアント毎に選択されたパーソナライズされた決定ヘッドとして機能し、その共有表現をローカルデータに適応させる。 トレーニング中、各クライアントは、共有パラメータとプライベートパラメータの両方をローカルに更新するが、共有パラメータのみをアップロードする。 PAS-QFLは、クラス不均衡下でのミスリード精度を回避するために、マクロF1を一次選択指標として使用する。 不均一なQFLタスクの実験により、PAS-QFLは既存の固定型QFLベースラインよりも平均的なマクロF1を改善し、実用的なQFLのためのアンサッツ構造をパーソナライズする価値を示す。

関連論文リスト

• Beyond Parameter Space: NTK-Guided Personalized Aggregation for Robust Federated Learning [1.3924112497839525]
  フェデレーション学習は、データをローカルに保ちながら、分散クライアント間で協調的なモデルトレーニングを可能にする。 中心的な課題は、各クライアントのターゲットドメインに関して、どのクライアントのアップデートがアグリゲーションに有効かを決定することである。 本稿では,関数空間における更新選択を行うフェデレート学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-12T14:29:43Z)
• CRIP: Channel Level Representation Injection for Personalized One-Shot Federated Learning [10.225304989678202]
  ワンショットフェデレーション学習(OSFL)は、1ラウンドのコミュニケーションだけで、有望なコラボレーティブモデル学習フレームワークとして登場した。 チャネルレベルの特徴アライメントを通じて表現空間で動作するパーソナライズされたOSFLフレームワークであるCRIPを提案する。
  論文  参考訳（メタデータ） (2026-08-03T13:41:07Z)
• Federated Learning with Energy-Based Structured Probabilistic Inference [7.122698354756618]
  フェデレーション学習は通常、固定ルールまたは重み付けルールを使用してクライアント更新を集約する。 条件付きランダムフィールド(CRF)を用いたクライアント集約重み付けを洗練するフレームワークを提案する。 本手法では,各クライアントに対する一元的ポテンシャルと全クライアント対に対するペアワイズポテンシャルを定義し,クライアント固有の信頼性とクライアント間のインタラクションの両方をサーバがモデル化できるようにする。
  論文  参考訳（メタデータ） (2026-06-29T11:38:46Z)
• Replacing Parameters with Preferences: Federated Alignment of Heterogeneous Vision-Language Models [63.70401095689976]
  VLM(Vision-Language Models)は、医療や金融といったプライバシに敏感な分野において大きな可能性を秘めている。 ヘテロジニアスVLMのためのGRPOとMixture-of-Rewardsを組み合わせた協調アライメントフレームワークであるMoRを提案する。 MoRは、一般化とクロスクライアント適応性において、フェデレートされたアライメントベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-05-05T07:02:50Z)
• Personalized Federated Learning with Residual Fisher Information for Medical Image Segmentation [25.71219095327395]
  フェデレーション学習は、複数のクライアント(機関)がプライベートデータを共有せずに、協調的に機械学習モデルをトレーニングすることを可能にする。 本研究では,パラメータレベルでのクライアント適応パーソナライズを実現する新しいpFLフレームワークであるpFL-ResFIMを提案する。 公開データセットの実験では、pFL-ResFIMは最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-03-16T05:47:04Z)
• FedPPA: Progressive Parameter Alignment for Personalized Federated Learning [0.9931624906346306]
  フェデレートラーニング(FL)は、複数のクライアントがデータを共有せずに協調的にモデルをトレーニングできる、分散されたプライバシ保護機械学習パラダイムとして設計されている。 実世界のシナリオでは、クライアントは不均一な計算資源を持ち、非独立で同一の分散データ(非IID)を保持し、トレーニング中に重大な課題を生じさせる。 本稿では,クライアント間の共通レイヤの重み付けとグローバルモデルの重み付けを段階的に整合させるプログレッシブアライメント(FedPPA)を提案する。 MNIST、FMNIST、CIFAR-10を含む3つの画像分類データセットの実験は、FedPPAが既存のFLアルゴリズムより一貫して優れていることを示した。
  論文  参考訳（メタデータ） (2025-10-16T14:03:05Z)
• Client-Centric Federated Adaptive Optimization [78.30827455292827]
  Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。 本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
  論文  参考訳（メタデータ） (2025-01-17T04:00:50Z)
• Multi-Level Additive Modeling for Structured Non-IID Federated Learning [54.53672323071204]
  我々は、異種クライアント間のより良い知識共有のために、マルチレベル付加モデル(MAM)と呼ばれるマルチレベル構造で編成されたモデルを訓練する。 フェデレートMAM(FeMAM)では、各クライアントは各レベル毎に少なくとも1つのモデルに割り当てられ、そのパーソナライズされた予測は、各レベルに割り当てられたモデルの出力を合計する。 実験により、FeMAMは既存のクラスタリングFLおよびパーソナライズされたFLメソッドを様々な非IID設定で超越していることが示された。
  論文  参考訳（メタデータ） (2024-05-26T07:54:53Z)
• Learning to Specialize: Joint Gating-Expert Training for Adaptive MoEs in Decentralized Settings [41.98633628526484]
  Mixture-of-Experts (MoEs)は、コンポーネントのサブセットを動的に活性化することでスケーラビリティを実現する。 推論コストとデータヘテロジニティにより、ゲーティング関数と専門家の協調トレーニングがドメイン固有の専門知識を割り当てる方法について検討する。
  論文  参考訳（メタデータ） (2023-06-14T15:47:52Z)
• Federated Learning of Shareable Bases for Personalization-Friendly Image Classification [54.72892987840267]
  FedBasisは、いくつかの共有可能なベースモデルの集合を学習し、リニアに組み合わせて、クライアント用のパーソナライズされたモデルを形成することができる。 具体的には、新しいクライアントの場合、モデルの重みではなく、小さな組み合わせ係数のみを学ぶ必要がある。 また、FedBasisの有効性と適用性を示すために、画像分類のためのより実用的なPFLテストベッドを提案する。
  論文  参考訳（メタデータ） (2023-04-16T20:19:18Z)
• Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction [76.26710990597498]
  本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。 我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。 特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
  論文  参考訳（メタデータ） (2022-09-30T05:42:56Z)
• Personalized Federated Learning with First Order Model Optimization [76.81546598985159]
  そこで我々は,各クライアントが他のクライアントと連携して,クライアント固有の目的ごとのより強力なモデルを得る,フェデレーション学習の代替案を提案する。 基礎となるデータ分布やクライアントの類似性に関する知識を前提とせず、各クライアントが関心のある任意のターゲット分布を最適化できるようにします。 この手法は既存の代替品を上回り、ローカルデータ配信以外の転送のようなパーソナライズされたFLの新機能を可能にする。
  論文  参考訳（メタデータ） (2020-12-15T19:30:29Z)

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。