論文の概要: Dynamic Entanglement-Weighted Pruning for Quantum Federated Unlearning in Supply-Chain Risk Prediction
- arxiv url: http://arxiv.org/abs/2608.17069v1
- Date: Mon, 17 Aug 2026 19:17:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.114933
- Title: Dynamic Entanglement-Weighted Pruning for Quantum Federated Unlearning in Supply-Chain Risk Prediction
- Title（参考訳）: サプライチェーンリスク予測における量子フェデレーション・アンラーニングのための動的絡み合い重み付きプルーニング
- Abstract要約: Entanglement-Weighted Pruning (EWP) は、量子フェデレーション学習のための未学習の手順である。
Qiskitでは,5つのシミュレートされたサプライチェーンリスククライアントに対して,FedAvgでトレーニングされた4キュービットのデータ再ロードアンサッツに対して,完全なパイプラインを実装しています。
- 参考スコア（独自算出の注目度）: 4.205733518246009
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Federated deployments of variational quantum classifiers are attractive for cross-organisation risk prediction in supply chains, because raw data never leaves the client, yet data-protection regulations such as the GDPR grant clients a right to request that their contribution be removed from a trained model after the fact. Retraining a federated model from scratch to honour such a request is correct but wasteful, and it is not obvious which quantum circuit parameters actually carry a given client's influence. We introduce Entanglement-Weighted Pruning (EWP), an unlearning procedure for quantum federated learning that scores every trainable circuit parameter with the product of two signals: the diagonal entry of the quantum Fisher information matrix estimated on the target client's data via the parameter-shift rule, and a structural entanglement weight associated with the parameter's gate. Parameters with the lowest scores are pruned, optionally followed by a short fine-tuning pass on the retained clients. We implement the full pipeline in Qiskit for a four-qubit data-re-uploading ansatz trained with FedAvg across five simulated supply-chain-risk clients, and benchmark EWP against full retraining, fine-tuning alone, random pruning, Fisher-only pruning, and entanglement-only pruning, over three random seeds. EWP attains a mean post-unlearning accuracy statistically indistinguishable from the full-retraining oracle, while producing a lower forgetting score and requiring roughly 16 times less wall-clock time. Ablations over pruning threshold, client count, and non-IID strength show that combining the two signals is necessary, as entanglement-only and Fisher-only pruning each substantially degrade accuracy relative to EWP.
- Abstract（参考訳）: 変動型量子分類器のフェデレートされた展開は、サプライチェーンにおける組織間リスク予測にとって魅力的である。生データはクライアントを離れることはないが、GDPRのようなデータ保護規制は、クライアントに、その事実の後にトレーニングされたモデルからその貢献を削除するよう要求する権利を与えているからだ。
このような要求に敬意を表してフェデレートされたモデルをスクラッチからリトレーニングすることは正しいが無駄であり、量子回路パラメータが実際に与えられたクライアントの影響を持っているかどうかは明らかではない。
本稿では,量子フェデレーション学習のためのアンラーニング手法であるEntanglement-Weighted Pruning(EWP)について,パラメータシフト則によって推定される量子フィッシャー情報行列の対角入力と,パラメータのゲートに関連付けられた構造的絡み合い重みの2つの信号の積を用いて,トレーニング可能な回路パラメータの全てをスコアリングする手法を提案する。
最も低いスコアを持つパラメータはプルーニングされ、オプションとして、保持されたクライアントに対する短い微調整パスが続く。
我々は,5つのシミュレートされたサプライチェーンリスククライアントでFedAvgでトレーニングされた4ビットデータ再ロードアンサッツに対して,Qiskitの完全なパイプラインを実装し,EWPを3つのランダムシードに対してフルリトレーニング,微調整のみ,ランダムプルーニング,フィッシャーのみプルーニング,エンタンジメントのみプルーニングに対してベンチマークした。
EWPは、学習後の平均精度をフルリトラクションのオラクルと統計的に区別できず、低い忘れスコアを生成し、壁時計の約16倍の時間を要する。
プルーニング閾値、クライアント数、非IID強度に対するアブレーションは、2つの信号の組み合わせが必要であることを示している。
関連論文リスト
- Crossing-Free Probabilistic K-Line Forecasts Without Retraining [9.830603026585687]
確率的K線予測は4つの相補的な価格の不確実性を記述する。
量子交差とK線交差という2つの整合性問題を導入している。
K-line-Quantile Sequential Projection (KQSP) を提案する。
論文 参考訳（メタデータ） (2026-07-29T11:33:23Z) - Randomized neural operator for parametric PDEs with fast training and conformal uncertainty quantification [47.720075875232226]
我々は,PCAに基づく次元還元と固定ランダム特徴を組み合わせたニューラル演算子であるPCA-RaNNを紹介する。
演算子学習を固定回帰として再キャストし、遅延回帰を3桁まで削減する。
論文 参考訳（メタデータ） (2026-06-28T15:02:26Z) - PriFT: Prior-Support Guided Supervised Fine-Tuning [74.65198014829393]
Supervised Fine-tuning (SFT) は、下流タスク適応のための効率的なアプローチである。
SFTはトークン単位で固定されたデモトークンに適合する。
凍結した事前訓練参照からトークン重みを導出し、微調整の影響を受けない安定した再重み付け信号を得るPriFTを提案する。
論文 参考訳（メタデータ） (2026-06-08T12:14:06Z) - Federated Martingale Posterior Samping [28.76805404959501]
フェデレートされたベイズニューラルネットワークは、モデルパラメータの事前を、可能性とともに修正する必要がある。
予測モデルの急速な進歩により、マーチンゲール後部は予測ベイズ(英: predictive Bayes)とも呼ばれ、予測分布に置き換えられる。
このレターでは、フェデレーションマーチンゲール後部サンプリング(FMP)を提案する。これは、クライアントがトレーニング可能なデータの小さなセットをアップロードし、サーバが予測サンプルを集中的に実行する、ワンショットの恥ずかしい並列プロトコルである。
論文 参考訳（メタデータ） (2026-05-18T15:33:18Z) - FERA: Uncertainty-Aware Federated Reasoning for Large Language Models [60.52562148874846]
我々は、サーバがプライベートなデモンストレーションを行う異種クライアントと協調することで、多段階推論を改善するフェデレーション推論について研究する。
重要な課題は、クライアントの信頼性がクエリ依存であるのに対して、サーバはクライアントデータを検査して、どのコントリビューションが信頼できるかを判断できません。
本稿では,サーバクライアントの反復的コリファインメントに基づくトレーニングフリーフレームワークである Uncertainty-Aware Federated Reasoning (FERA) を提案する。
論文 参考訳（メタデータ） (2026-05-11T07:04:51Z) - Learned Lyapunov Shielding for Adaptive Control [1.2891210250935148]
我々は3つの学習成分を持つラグランジュ系に対するSlotine--Li適応制御器を拡張した。
クローズドフォームの安全フィルタは、オンラインQP解決器を必要とせずに、すべてのポリシー出力を安全なセットに投影する。
フランカ・エミカ・パンダ(Franka Emika Panda)による7-DOFのスケーラビリティに関する研究では、産業規模での完全なパイプラインのクリーンな収束を確認している。
論文 参考訳（メタデータ） (2026-05-07T20:49:22Z) - FED-FSTQ: Fisher-Guided Token Quantization for Communication-Efficient Federated Fine-Tuning of LLMs on Edge Devices [12.523170571488711]
フェデレートされた微調整は、プライベートデータを集中することなく、エッジデバイスに大規模言語モデル(LLM)を適用する実践的な方法を提供する。
我々は,Fed-FSTQを提案する。Fed-FSTQは,通信効率のよいLLMファインチューニングのための,フィッシャー誘導型トークン量子化システムプリミティブである。
また,Fed-FSTQは,標準のLORAベースラインに対して,固定品質閾値に達するために必要な累積アップリンクトラフィックを46倍に削減し,エンドツーエンドのウォール・ツー・タイムの精度を52%向上させることを示した。
論文 参考訳（メタデータ） (2026-04-28T09:29:41Z) - Unleashing Implicit Rewards: Prefix-Value Learning for Distribution-Level Optimization [74.91418266859297]
インプシットプロセス報酬モデル(PRM)は、推論プロセスに沿ってきめ細かな報酬信号を提供する。
トレーニングはシーケンスレベルの集約のみを制限しますが、推論はローカルステップの品質を反映するためにトークンレベルのスコアが必要です。
本稿では,予測精度を推定するプレフィックス条件付き値関数を直接学習する新しいインプリシット・プレフィックス・バリュー・リワード・モデル(IPVRM)を提案する。
また,サンプルトークンと高確率候補トークンの両方に対してTDの利点を演算する分散レベルRL(DistRL)を提案する。
論文 参考訳（メタデータ） (2026-04-14T18:19:54Z) - Improving Search Agent with One Line of Code [68.58667107354253]
ツールベースのエージェント強化学習(TARL)は,検索エージェントが外部ツールと対話できるようにトレーニングするための,有望なパラダイムとして登場した。
textbfSearch textbfAgent textbfPolicy textbfOptimization (textbfSAPO)を提案する。
論文 参考訳（メタデータ） (2026-03-10T04:07:39Z) - Winning the Pruning Gamble: A Unified Approach to Joint Sample and Token Pruning for Efficient Supervised Fine-Tuning [71.30276778807068]
サンプルプルーニングとトークンプルーニングを戦略的に協調する統合フレームワークを提案する。
Q-Tuningは、トレーニングデータの12.5%しか使用せず、全データSFTベースラインに対する平均38%の改善を実現している。
論文 参考訳（メタデータ） (2025-09-28T13:27:38Z) - FedSPU: Personalized Federated Learning for Resource-constrained Devices with Stochastic Parameter Update [0.27309692684728615]
フェデレートラーニング(PFL)は、高ボリュームの非IDクライアントデータを処理するために、IoTアプリケーションに広く使用されている。
FedSPUはFederated Dropoutを平均7.57%上回っている。
早期停止方式を導入し、高精度を維持しながらトレーニング時間を24.8%から70.4%削減した。
論文 参考訳（メタデータ） (2024-03-18T04:31:38Z) - G$^2$uardFL: Safeguarding Federated Learning Against Backdoor Attacks
through Attributed Client Graph Clustering [116.4277292854053]
Federated Learning (FL)は、データ共有なしで協調的なモデルトレーニングを提供する。
FLはバックドア攻撃に弱いため、有害なモデル重みがシステムの整合性を損なう。
本稿では、悪意のあるクライアントの識別を属性グラフクラスタリング問題として再解釈する保護フレームワークであるG$2$uardFLを提案する。
論文 参考訳（メタデータ） (2023-06-08T07:15:04Z)
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。