論文の概要: Federating Quantum and Classical Computing: A Privacy-Preserving Hybrid Approach

• arxiv url: http://arxiv.org/abs/2609.25082v1
• Date: Fri, 18 Sep 2026 20:53:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.035645
• Title: Federating Quantum and Classical Computing: A Privacy-Preserving Hybrid Approach
• Title（参考訳）: 量子コンピューティングと古典コンピューティングの融合 - プライバシ保護ハイブリッドアプローチ
• Abstract要約: ハイブリッド量子古典モデルは、パラメータ化された量子回路をモデル内に埋め込むことで、このポテンシャルを運用する。 それらは、生データの集中化を避ける必要性と、現代の量子回路が大規模にトレーニングできるようにパラメータ効率を保っているという要求によって制約されている。 我々はこれらの制約に対処し、量子古典的アクティブパーティと古典的パッシブパーティを組み合わせる手段として、フェデレートラーニング(FL)を評価する。
• 参考スコア（独自算出の注目度）: 0.42216194796870665
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum machine learning (QML) is increasingly recognized as one of the most promising near-term applications of quantum computing, viewed as a next-frontier candidate beyond purely classical approaches. Hybrid quantum-classical models operationalize this potential by embedding a parameterized quantum circuit within a model where all other components remain classical-a design already applied to chemistry simulation, financial modeling, and image classification. However, their deployment in privacy-sensitive, multi-party settings is constrained by the need to avoid centralizing raw data and by the requirement that modern quantum circuits remain parameter-efficient to stay trainable at scale. In this paper, we address these constraints by evaluating federated learning (FL) as a means of combining a hybrid quantum-classical active party with a classical passive party, using Sherpa.ai's Blind Vertical FL (SBVFL) protocol to avoid centralizing raw data, while drastically reducing communication. We construct the split multiplicative periodic parity (SMPP) benchmark, following common QML design practice. On this task, our simulations show that SBVFL raises accuracy from 0.7227 to 0.8757 compared to local training, closely approaching non-private centralized accuracy, and that the hybrid quantum-classical model achieves this with substantially fewer trainable parameters than the classical neural networks and random forest alternatives. These results show that FL enables high-performing, privacy-preserving quantum-classical collaboration without centralizing raw data.
• Abstract（参考訳）: 量子機械学習(QML)は、純粋に古典的なアプローチ以上の次の最前線候補と見なされる、量子コンピューティングの最も有望な短期的応用の1つとして、ますます認識されている。 ハイブリッド量子古典モデルは、他の全てのコンポーネントが古典的な設計のままであるモデルにパラメータ化された量子回路を埋め込むことで、このポテンシャルを運用する。 しかしながら、プライバシに敏感なマルチパーティ設定へのデプロイメントは、生データの集中を回避する必要性と、現代の量子回路が大規模にトレーニング可能なパラメータ効率を維持することの必要性によって制限されている。 本稿では,Sherpa.aiのBlind Vertical FL(Blind Vertical FL)プロトコルを用いて,ハイブリッド量子古典的アクティブパーティと古典的受動的パーティを組み合わせ,生データの集中化を回避するとともに,通信を劇的に削減する手段として,これらの制約に対処する。 一般的なQML設計プラクティスに従って,分割多重周期パリティ(SMPP)ベンチマークを構築した。 本課題では,SBVFLが局所トレーニングと比較して0.7227から0.8757に精度を向上し,非プライベートな集中的精度に近づき,従来のニューラルネットワークやランダムな森林の代替よりもトレーニング可能なパラメータが大幅に少ないハイブリッド量子古典モデルでこれを達成していることを示す。 これらの結果から,FLは生データを集中化することなく,高いパフォーマンス,プライバシー保護,量子古典的協調を可能にすることがわかった。

関連論文リスト

• Quantum Incremental Learning with Mixed State Prototypes [53.319426778720434]
  トレーニング可能な混合状態プロトタイプに基づく新しい量子インクリメンタル学習フレームワークを提案する。 本モデルでは,最小数の量子ビットを用いて高次元特徴量を実現する。
  論文  参考訳（メタデータ） (2026-08-11T04:22:42Z)
• Learnable yet not simulable: a quantum resource theory of learning models [57.695822250391906]
  量子資源が量子回路の古典的な学習可能性を支配するかは、いまだ不明である。 チューナブル量子回路系の期待値関数について検討する。 これらの結果は,古典シミュレーションと学習の境界を記述するための定量的な資源理論の枠組みを確立する。
  論文  参考訳（メタデータ） (2026-08-03T14:48:03Z)
• Hybrid Classical-Quantum Transfer Learning with Noisy Quantum Circuits [0.0]
  画像分類のためのコンパクトな量子トランスファー学習アーキテクチャのファミリを紹介する。 我々はPennyLaneとQiskitで実装された古典量子ハイブリッドモデルのインスタンス化と評価を行う。 実験の結果,提案した量子伝達学習アーキテクチャは競争力があり,いくつかの場合において精度が優れていることがわかった。
  論文  参考訳（メタデータ） (2026-03-17T12:28:33Z)
• Practical Quantum-Classical Feature Fusion for complex data Classification [0.0]
  ハイブリッド量子と古典学習は、古典的ニューラルネットワークの堅牢性と量子特徴写像を結合することを目的としている。 本稿では,ハイブリッド学習のマルチモーダルな定式化について述べる。 本研究では, ワイン, 乳がん, 森林被覆タイプ, ファッションMNIST, スティールプランツフォールトについて, 量子オントモデル, 古典的ベースライン, 残留ハイブリッドモデル, 提案中核融合モデルを比較した。
  論文  参考訳（メタデータ） (2025-12-22T09:16:08Z)
• Readout-Side Bypass for Residual Hybrid Quantum-Classical Models [3.609274776085931]
  量子機械学習(QML)はコンパクトで表現力のある表現を約束するが、測定ボトルネックに悩まされる。 本稿では,分類前の生入力で量子的特徴を確認可能な,軽量な残差ハイブリッドアーキテクチャを提案する。 我々のモデルは、低通信コストとプライバシーの堅牢性を保ちながら、量子ベースラインよりも最大で55%精度が向上する。
  論文  参考訳（メタデータ） (2025-11-25T23:27:53Z)
• Hybrid Quantum-Classical Neural Networks for Few-Shot Credit Risk Assessment [52.05742536403784]
  この仕事は、数発の信用リスク評価の課題に取り組む。 我々は、新しいハイブリッド量子古典ワークフローを設計、実装する。 量子ニューラルネットワーク(QNN)はパラメータシフト規則によって訓練された。 実世界の279のサンプルデータを用いて、QNNはシミュレーションで0.852 +/-0.027の堅牢な平均AUCを達成し、ハードウェア実験で0.88の印象的なAUCを得た。
  論文  参考訳（メタデータ） (2025-09-17T08:36:05Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Toward Practical Quantum Machine Learning: A Novel Hybrid Quantum LSTM for Fraud Detection [0.1398098625978622]
  本稿では,不正検出のためのハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。 重畳や絡み合いなどの量子現象を活用することで、我々のモデルはシーケンシャルトランザクションデータの特徴表現を強化する。 その結果,従来のLSTMベースラインと比較して,精度,精度,リコール,F1スコアの競争力の向上が示された。
  論文  参考訳（メタデータ） (2025-04-30T19:09:12Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• Error mitigation and quantum-assisted simulation in the error corrected regime [77.34726150561087]
  量子コンピューティングの標準的なアプローチは、古典的にシミュレート可能なフォールトトレラントな演算セットを促進するという考え方に基づいている。 量子回路の古典的準確率シミュレーションをどのように促進するかを示す。
  論文  参考訳（メタデータ） (2021-03-12T20:58:41Z)

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。