Dec, 2023

联邦量子长短期记忆网络 (FedQLSTM)

PDF
TL;DR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%。
quantum federated learningqfl frameworktemporal dataqlstm modelsfunction approximation
发现论文，激发创造
  • FedQNN：基于量子神经网络的联邦学习

    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

  • 量子数据联邦学习

    本论文提出了第一个完全量子联邦学习框架，该框架可以在量子数据上运行并以分散的方式共享量子电路参数的学习。论文首先生成了第一个分层数据格式的量子联邦数据集，然后将其提供给使用 QCNN 模型的客户端执行分类任务，并对提出的 QFL 解决方案进行广泛的实验以评估和验证其有效性。

    May, 2021

  • 基于量化 Langevin 随机动力学的贝叶斯联邦学习

    本文讨论了在联邦学习框架下，通过提出一种新的联邦马尔科夫链蒙特卡罗算法（Quantised Langevin Stochastic Dynamics），并结合梯度压缩和方差缩减技术，优化了性能。给出了该算法的收敛性保证并应用于多种贝叶斯联邦学习基准测试中。

    Jun, 2021

  • 基于模型的量子联邦学习 (QFL)

    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

  • 量子联邦学习：分析、设计和实现挑战

    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

  • 联邦量子机器学习

    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

  • 云中量子联邦学习实验与数据编码

    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

  • 量子联邦学习探索

    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

  • 元宇宙分散量子联邦学习：分析，设计与实现

    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

  • Fed-QSSL: 基于位宽和数据异构性的个性化联邦学习框架

    通过使用分布式自监督学习以及低位量化，Fed-QSSL 是一个旨在解决联邦学习系统中异质性的方案，并通过解量化、加权聚合和重新量化在客户端设备上创建个性化的模型，验证了该算法的有效性，并对低位训练对学习模型的收敛性和健壮性进行了理论分析。

    Dec, 2023