量子数据联邦学习
本研究探索了量子联邦学习作为一个框架,通过分布式网络来训练量子机器学习模型的创新领域。我们提出的联邦量子神经网络框架是一种前沿解决方案,将量子机器学习的独特特性与经典联邦学习的原理融合在一起。通过在不同数据集上进行的实验证明,我们的 FedQNN 框架具有很强的适应性和功效,可以在分布式环境中安全处理数据并促进合作学习,结果在三个不同数据集上始终保持超过 86% 的准确率,证明了它在进行各种量子机器学习任务上的适用性。我们的研究不仅确定了传统范式的局限性,还提出了一个新的框架,推动量子机器学习领域进入一个新时代的安全和协作创新。
Mar, 2024
本文主要介绍了基于量子可逆神经网络(QNN)和经典卷积神经网络 (CNN) 的混合模型,基于联邦学习的分布式训练可以极大地提高训练效率和数据隐私保护,并展示了分布式联邦学习方案对于扩展和隐私方面的有前景的未来研究方向。
Mar, 2021
本文旨在全面概述目前量子联合学习基础,包括了新 QFL 框架的概念、广泛的应用案例和设计的关键因素,并考虑了各种 QFL 研究项目的技术贡献和限制,提出了未来研究方向和开放性问题。
Jun, 2023
该研究提出了一种在机器学习系统中扩展现有领域特定的建模驱动工具来支持量子联邦学习的方法,该方法可以为开发人员提供一个从底层到联邦学习库的抽象层,以实现量子机器学习的最新技术。
Apr, 2023
基于量子网络的量子联邦学习(QFL)是一个新兴的概念,旨在在量子网络上展开联邦学习(FL),实现协同的量子模型训练并保护本地数据隐私。本研究探讨了在云平台上部署 QFL 所面临的挑战,强调了量子复杂性和平台限制。提出的以数据编码驱动的 QFL,在量子模拟器上使用基因组数据集(GitHub 开源)的概念验证中展示了有希望的结果。
May, 2024
本篇综述对于交汇了量子计算和联邦学习的新兴跨学科领域 —— 量子联邦学习进行了全面细致的探讨,并提出了一种用于分类的独特的 QFL 技术分类法,旨在为研究人员和从业人员在数据隐私、安全和资源优化等方面的技术创新和应用提供一个前所未有的综合指南。
Jun, 2023
提出了基于量子张量网络的联邦学习框架,通过多体量子物理原理充分利用,进行了不平衡数据分布下的差分隐私分析,实验结果显示,联邦量子张量网络模型在医疗图像数据集上达到了 0.91-0.98 的平均接收者操作特征曲线下面积(ROC-AUC),在医疗院所之间的不平衡数据分布下,量子联邦全局模型表现出更好的泛化性能和鲁棒性,实现了更高的测试准确率,超过了本地训练客户端的表现。
May, 2024
提出了一种整合了量子长短期记忆(QLSTM)模型和时间数据的新型量子联邦学习(QFL)框架,用于函数逼近任务,实验结果表明,与使用经典 LSTM 模型的联邦学习框架相比,该框架在本地训练时期内实现更快的收敛速度,减少了总计算量,并节省了收敛所需的通信轮次的 25-33%。
Dec, 2023
提出一种基于区块链的去中心化量子联邦学习框架,确保 Metaverse 的系统透明、安全和可靠,并且进行了实验和分析,证明该设计的实用性和好处。
Jun, 2023