論文の概要: vFedProtoQNAS: Prototype-Guided Personalized Quantum Neural Architecture Search for Virtual Federated Learning

• arxiv url: http://arxiv.org/abs/2610.01718v1
• Date: Thu, 01 Oct 2026 13:57:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.174571
• Title: vFedProtoQNAS: Prototype-Guided Personalized Quantum Neural Architecture Search for Virtual Federated Learning
• Title（参考訳）: vFedProtoQNAS:仮想フェデレーション学習のためのプロトタイプガイド型パーソナライズされた量子ニューラルネットワーク探索
• Abstract要約: 仮想FL(vFedProtoQNAS)のためのプロトタイプ誘導型パーソナライズド量子ニューラルネットワークサーチ(QNAS)を提案する。 各クライアントは、クライアント固有のQNNを独立して検索し、訓練し、潜在表現からクラスワイドなローカルプロトタイプを計算し、サーバのグローバルプロトタイプをセマンティックアンカーとして使用して洗練する。 実験により、vFedProtoQNASはFedAvgよりも3.70%精度が向上し、クラス一貫性の表現アライメントが向上することが示された。
• 参考スコア（独自算出の注目度）: 25.860958988389626
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum federated learning (QFL) has emerged as a promising approach for collaboratively training compact quantum neural networks (QNNs) over distributed private data on resource-constrained devices. However, differences in device capabilities make a single shared QNN architecture unsuitable for all clients. While personalized quantum neural architecture search (QNAS) allows each client to select a device-specific QNN, averaging parameters across structurally different QNN architectures mixes semantically inconsistent circuit operations. To address this, prototype-guided personalized QNAS for virtual FL (vFedProtoQNAS) is proposed, where model parameters are never aggregated across clients and federated collaboration is achieved through class-wise prototype sharing. Each client independently searches and trains a client-specific QNN, computes class-wise local prototypes from latent representations, and refines them using global prototypes from the server as federated semantic anchors. Experiments demonstrate that vFedProtoQNAS improves accuracy by 3.70\% over FedAvg and enhances class-consistent representation alignment.
• Abstract（参考訳）: 量子フェデレーション学習(QFL)は、リソース制約されたデバイス上の分散プライベートデータに対して、コンパクトな量子ニューラルネットワーク(QNN)を協調的にトレーニングするための、有望なアプローチとして登場した。 しかし、デバイス機能の違いにより、単一の共有QNNアーキテクチャがすべてのクライアントに適さない。 パーソナライズされた量子ニューラルネットワークサーチ(QNAS)では、各クライアントがデバイス固有のQNNを選択することができる。 これを解決するために,仮想FL(vFedProtoQNAS)のためのプロトタイプガイド付きパーソナライズドQNASを提案する。 各クライアントは、クライアント固有のQNNを独自に検索し、訓練し、潜在表現からクラスワイドなローカルプロトタイプを計算し、サーバからグローバルなプロトタイプをフェデレートされたセマンティックアンカーとして使用して洗練する。 実験により、vFedProtoQNASはFedAvgよりも3.70\%精度が向上し、クラス一貫性の表現アライメントが向上することが示された。

関連論文リスト

• UnifiedFL: A Dynamic Unified Learning Framework for Equitable Federation [5.972927416266618]
  フェデレートラーニングは、生データを共有せずに複数のクライアント間で協調的なモデルトレーニングを行うための重要なパラダイムとして登場した。 We propose UnifiedFL, a dynamic federated learning framework which represent heterogeneous local network as node and edge in a directed model graph。
  論文  参考訳（メタデータ） (2025-10-30T11:01:57Z)
• ONNX-Net: Towards Universal Representations and Instant Performance Prediction for Neural Architectures [60.14199724905456]
  ONNX-Benchは、ONNXファイルに基づいた統一形式のニューラルネットワークの集合からなるベンチマークである。 ONNX-Netは、パフォーマンス予測器への入力として機能する自然言語記述を使用して、任意のニューラルネットワークを表す。 実験では,少数の事前学習サンプルのみを用いて,異なる探索空間をまたいだゼロショット性能を示す。
  論文  参考訳（メタデータ） (2025-10-06T15:43:36Z)
• Multi-objective Differentiable Neural Architecture Search [58.67218773054753]
  我々は,ユーザの好みをトレードオフ性能やハードウェアメトリクスにエンコードするNASアルゴリズムを提案する。 提案手法は,既存のMOO NAS手法を,定性的に異なる検索空間やデータセットの広い範囲で性能良くする。
  論文  参考訳（メタデータ） (2024-02-28T10:09:04Z)
• Set-based Neural Network Encoding Without Weight Tying [91.37161634310819]
  本稿では,ネットワーク特性予測のためのニューラルネットワーク重み符号化手法を提案する。 我々のアプローチは、混合アーキテクチャのモデル動物園でニューラルネットワークを符号化することができる。 ニューラルネットワークのプロパティ予測には,クロスデータセットとクロスアーキテクチャという,2つの新しいタスクを導入する。
  論文  参考訳（メタデータ） (2023-05-26T04:34:28Z)
• Hierarchical quantum circuit representations for neural architecture search [0.6562256987706128]
  階層型量子回路を用いた機械学習(通常量子畳み込みニューラルネットワーク(QCNN)と呼ばれる)は、短期量子コンピューティングの有望な展望である。 ニューラルアーキテクチャサーチ(NAS)を用いたQCNNアーキテクチャを表現するための新しいフレームワークを提案する。 次に,音楽ジャンル分類データセットであるGTZANを用いて,このモデル群を評価し,回路アーキテクチャの重要性を正当化する。
  論文  参考訳（メタデータ） (2022-10-26T22:58:29Z)
• Architecture Agnostic Federated Learning for Neural Networks [19.813602191888837]
  この研究は、FedHeNN(Federated Heterogeneous Neural Networks)フレームワークを導入している。 FedHeNNは、クライアント間の共通アーキテクチャを強制することなく、各クライアントがパーソナライズされたモデルを構築することを可能にする。 FedHeNNのキーとなるアイデアは、ピアクライアントから取得したインスタンスレベルの表現を使用して、各クライアントの同時トレーニングをガイドすることだ。
  論文  参考訳（メタデータ） (2022-02-15T22:16:06Z)
• Decentralizing Feature Extraction with Quantum Convolutional Neural Network for Automatic Speech Recognition [101.69873988328808]
  特徴抽出のための量子回路エンコーダからなる量子畳み込みニューラルネットワーク(QCNN)を構築した。 入力音声はまず、Mel-spectrogramを抽出するために量子コンピューティングサーバにアップストリームされる。 対応する畳み込み特徴は、ランダムパラメータを持つ量子回路アルゴリズムを用いて符号化される。 符号化された機能は、最終認識のためにローカルRNNモデルにダウンストリームされる。
  論文  参考訳（メタデータ） (2020-10-26T03:36:01Z)
• FBNetV3: Joint Architecture-Recipe Search using Predictor Pretraining [65.39532971991778]
  サンプル選択とランキングの両方を導くことで、アーキテクチャとトレーニングのレシピを共同でスコアする精度予測器を提案する。 高速な進化的検索をCPU分で実行し、さまざまなリソース制約に対するアーキテクチャと準備のペアを生成します。 FBNetV3は最先端のコンパクトニューラルネットワークのファミリーを構成しており、自動と手動で設計された競合より優れている。
  論文  参考訳（メタデータ） (2020-06-03T05:20:21Z)
• Inferring Convolutional Neural Networks' accuracies from their architectural characterizations [0.0]
  CNNのアーキテクチャと性能の関係について検討する。 本稿では,2つのコンピュータビジョンに基づく物理問題において,その特性がネットワークの性能を予測できることを示す。 我々は機械学習モデルを用いて、トレーニング前にネットワークが一定のしきい値精度よりも優れた性能を発揮できるかどうかを予測する。
  論文  参考訳（メタデータ） (2020-01-07T16:41:58Z)

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。