論文の概要: Federated Unlearning of Quantum Data via Classical Shadows
- arxiv url: http://arxiv.org/abs/2610.19077v1
- Date: Tue, 13 Oct 2026 19:11:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.768335
- Title: Federated Unlearning of Quantum Data via Classical Shadows
- Title（参考訳）: 古典的影による量子データのフェデレーションアンラーニング
- Abstract要約: 連合学習は、量子センサーの状態などの量子データを保持するノードにまたがる量子ニューラルネットワーク(QNN)を訓練する。
データ忘れるために、量子モデルのアンラーニングメソッドはそれらをリプレイし、ストアドアップデートからのフェデレーションされたアンラーニングは、ノード全体のみを削除する。
シャドーベースのデータ消去(SHADE)を提案し、各ノードはトレーニング状態ごとに古典的なシャドウを記録する。
- 参考スコア（独自算出の注目度）: 5.302279935726332
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum federated learning trains a quantum neural network (QNN) across nodes that hold quantum data, such as the states of quantum sensors. To forget data, unlearning methods for quantum models replay them, and federated unlearning from stored updates removes whole nodes only. Quantum data cannot be replayed, since a state is consumed when measured and cannot be cloned. We propose Shadow-based Data Erasure (SHADE), in which each node records a classical shadow of every training state, a few randomized single-qubit measurements taken at training time. The gradient and curvature of a QNN on a state are expectations of observables, so SHADE estimates them for the forget data from the shadows at any later parameters and removes their effect by a federated Newton correction. Only classical estimates cross the network. We prove that the shadow size needed for a target unlearning error grows exponentially in the size of the backward light cone of the measured observable and not in the number of qubits. In simulation with 50 nodes and on edge boards, SHADE matches the forget accuracy of retraining within 0.5 points, without replay and in under 0.2 s.
- Abstract（参考訳）: 量子フェデレーション学習は、量子センサの状態などの量子データを保持するノード間で量子ニューラルネットワーク(QNN)を訓練する。
データ忘れるために、量子モデルのアンラーニングメソッドはそれらをリプレイし、ストアドアップデートからのフェデレーションされたアンラーニングは、ノード全体のみを削除する。
状態が測定されたときに消費され、クローン化できないため、量子データは再生できない。
そこで我々は,各ノードがトレーニング時のランダム化単一量子ビット計測の古典的なシャドウを記録できるシャドウベースデータ消去法(SHADE)を提案する。
ある状態におけるQNNの勾配と曲率は観測値の期待値であり、SHADEはそれらを後のパラメータの影から忘れたデータとして推定し、連合したニュートン補正によってその効果を除去する。
古典的な見積もりだけがネットワークを横断します。
対象未学習誤差に必要な影の大きさは、観測可能な観測値の後方光円錐の大きさで指数関数的に増大し、キュービット数には及ばないことを示す。
50ノードのシミュレーションとエッジボードでのシミュレーションでは、SHADEは0.5ポイント以内でリプレイや0.2秒未満のリトレーニングの精度と一致している。
関連論文リスト
- Quantum State Preparation via Neural Network Encoding in Quantum Machine Learning [1.0914870876968699]
量子機械学習における中心的な課題は、状態準備ボトルネックである。
固定量子回路の連続パラメータに直接入力データをマッピングするために,古典的ニューラルネットワークを訓練することで反復最適化を回避する手法を提案する。
トレーニング中に見えないデータに対して高忠実度で量子画像状態の生成を実証する。
論文 参考訳（メタデータ） (2026-05-29T08:39:24Z) - Low-bit Model Quantization for Deep Neural Networks: A Survey [123.89598730307208]
本稿では、ディープニューラルネットワーク(DNN)における低ビット量子化に向けた最近の5年間の進歩について調査する。
我々は最先端の量子化手法を議論し、それらのコア技術に基づいて8つの主要なカテゴリと24のサブカテゴリに分類する。
我々は、モデル量子化の分野における潜在的研究の機会に光を当てた。
論文 参考訳（メタデータ） (2025-05-08T13:26:19Z) - Projected Stochastic Gradient Descent with Quantum Annealed Binary Gradients [51.82488018573326]
重み付きニューラルネットワークのトレーニングに適した,新しいレイヤワイドオプティマイザであるQP-SBGDを提案する。
BNNは、深層学習モデルの計算要求とエネルギー消費を最小限の精度で削減する。
提案アルゴリズムは階層的に実装されており,リソース制限量子ハードウェア上での大規模ネットワークのトレーニングに適している。
論文 参考訳（メタデータ） (2023-10-23T17:32:38Z) - A Quantum Optical Recurrent Neural Network for Online Processing of
Quantum Times Series [0.7087237546722617]
量子光リカレントニューラルネットワーク(QORNN)は,量子チャネルの伝送速度を高めることができることを示す。
また、同モデルが不要であれば、同様のメモリ効果に対処できることも示している。
我々は、この最後のタスクの小さなバージョンをフォトニックプロセッサのBorealis上で実行します。
論文 参考訳（メタデータ） (2023-05-31T19:19:25Z) - On quantum backpropagation, information reuse, and cheating measurement
collapse [6.476797054353113]
パラメータ化量子モデルは、古典的ニューラルネットワークと同じくらい効率的にトレーニングできることを示す。
本稿では,量子リソースのバックプロパゲーションスケーリングにマッチするシャドウトモグラフィの基礎を持つアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-05-22T18:00:02Z) - QOC: Quantum On-Chip Training with Parameter Shift and Gradient Pruning [18.939312562621634]
パラメータシフトを用いた実践的PQCトレーニングの初回実験であるQOCについて述べる。
確率的勾配プルーニング(probabilistic gradient pruning)を提案する。
その結果,2クラス,4クラスの画像分類作業において,オンチップトレーニングが90%以上,60%以上の精度で達成できることが示唆された。
論文 参考訳（メタデータ） (2022-02-26T22:27:36Z) - Flexible learning of quantum states with generative query neural
networks [4.540894342435848]
複数の量子状態にまたがる学習は、生成的クエリニューラルネットワークによって達成できることを示す。
我々のネットワークは、古典的にシミュレートされたデータでオフラインでトレーニングでき、後に未知の量子状態を実際の実験データから特徴づけるのに使うことができる。
論文 参考訳（メタデータ） (2022-02-14T15:48:27Z) - Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。
egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。
このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
論文 参考訳（メタデータ） (2022-01-13T16:35:45Z) - A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。
MNIST画像データセットがそのような条件を満たすことを数値的に示す。
我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文 参考訳（メタデータ） (2021-07-19T23:41:03Z) - ReCU: Reviving the Dead Weights in Binary Neural Networks [153.6789340484509]
我々は,BNNのトレーニング中にほとんど更新されない重みのグループを指す「死重み」の影響について検討する。
ReCUによる「死重み」の復活は、量子化誤差が小さくなることを示す。
提案手法は,高速なBNNトレーニングだけでなく,CIFAR-10およびImageNet上での最先端のパフォーマンスも提供する。
論文 参考訳（メタデータ） (2021-03-23T08:11:20Z)
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。