論文の概要: A Stable Aggregation Method for Quantum Federated Learning
- arxiv url: http://arxiv.org/abs/2609.00356v1
- Date: Thu, 25 Jun 2026 04:48:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.421707
- Title: A Stable Aggregation Method for Quantum Federated Learning
- Title（参考訳）: 量子フェデレーション学習のための安定アグリゲーション法
- Abstract要約: 量子フェデレーション学習(QFL)により、クライアントはプライベートデータを共有せずに量子ニューラルネットワーク(QNN)モデルをトレーニングできる。
QFLのアグリゲーションは、不均一なデータ、信頼できない通信、可変忠実度、レイテンシ、量子ハードウェアノイズの下で不安定である。
安定なQFL設計と実装のための新しい自己整合アグリゲーション法を開発した。
- 参考スコア（独自算出の注目度）: 6.137648436139678
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum federated learning (QFL) enables clients to train quantum neural network (QNN) models without sharing private data. We find that aggregation in QFL is unstable under heterogeneous data, unreliable communication, variable fidelity, latency, and quantum hardware noise. Moreover, QFL is non-trivially challenging because several QNN parameters are periodic angles, where Euclidean averaging often fails to capture the inherent dynamics. We develop a novel self-consistent midpoint aggregation method for stable QFL design and implementation. We combine QoS-aware client weighting, circular parameter aggregation, and bounded midpoint-based update control. We perform several angular tests and IBM real Quantum machines experiments for validation confirming our approach. Extensive evaluations and experiments on medical and financial datasets show improved stability, lower volatility, and competitive accuracy.
- Abstract（参考訳）: 量子フェデレーション学習(QFL)により、クライアントはプライベートデータを共有せずに量子ニューラルネットワーク(QNN)モデルをトレーニングできる。
QFLのアグリゲーションは、不均一なデータ、信頼できない通信、可変忠実度、レイテンシ、量子ハードウェアノイズの下で不安定である。
さらに、QNNパラメータのいくつかは周期的なアングルであり、ユークリッド平均値が固有のダイナミクスを捉えるのに失敗することがあるため、QFLは簡単ではない。
安定なQFL設計と実装のための自己整合型中点アグリゲーション法を開発した。
QoS対応クライアント重み付け、円形パラメータアグリゲーション、および有界中点ベースの更新制御を組み合わせた。
我々はいくつかの角試験とIBMのリアル量子マシン実験を行い、我々のアプローチを検証した。
医療と財務のデータセットに関する大規模な評価と実験により、安定性、ボラティリティの低下、競争の正確性が改善された。
関連論文リスト
- Q-ANCHOR: Federated Quantum Learning with ZNE-guided Correction [16.75858394465606]
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。
論文 参考訳（メタデータ） (2026-05-28T15:23:05Z) - 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) - 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 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) - Sporadic Federated Learning Approach in Quantum Environment to Tackle Quantum Noise [1.2026018242953707]
SpoQFLはノイズ変動に基づくトレーニング戦略を動的に調整する。
実世界のデータセットの実験により、SpotQFLは従来のQFLアプローチよりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2025-07-15T20:30:11Z) - 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) - QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。
量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。
4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
論文 参考訳（メタデータ） (2023-08-25T15:08:19Z) - Slimmable Quantum Federated Learning [44.89303833148191]
量子ニューラルネットワーク(QNN)を連合学習(FL)に統合する量子連合学習(QFL)が最近注目を集めている。
本稿では,時変通信チャネルや計算エネルギー制限に対処可能な動的QFLフレームワークであるスリムブルQFL(SlimQFL)を提案する。
シミュレーションの結果、SlimQFLはVanilla QFLよりも高い分類精度を達成している。
論文 参考訳（メタデータ） (2022-07-20T22:39:23Z) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-30T12:19:27Z)
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。