分布式固定设计量子芯片与量子通道的联邦学习
在分布式量子计算中,隐私保护一直是一个重要挑战,本文提出了两种基于量子状态的联邦学习协议,旨在优化隐私保护措施和通信效率,为高效的基于量子通信的联邦学习协议的发展以及安全的分布式量子机器学习做出了重要贡献。
Dec, 2023
本文介绍了一种基于 Blind quantum computing 的量子协议,用于单方委派训练和多方私有分布式学习。该协议在差分隐私的保护下是安全的,并且在实验不完美的情况下具有鲁棒性和处理具有隐私保障的计算密集型分布式学习任务的潜力,为探索机器学习领域中的安全性量子优势提供了有价值的指导。
Mar, 2021
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
使用具有表达性编码映射和超参数化参量的变分量子电路模型引入了联邦学习,显示了表达性映射对抗梯度反演攻击具有内在隐私保护能力,而超参数化则确保了模型的可训练性。同时,通过数值扩展论证了攻击模型中表达性映射的欠参数化导致丢失地形被大量虚假局部极小点淹没,使得攻击难以成功,从而强有力地宣称量子机器学习模型的本质性质有助于防止联邦学习中的数据泄露。
Sep, 2023
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
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
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
本文旨在通过在上传之前对本地模型参数进行量化,最小化联邦学习的总收敛时间,以保证在所有全局轮次中的最小收敛时间。我们利用随机量化对 FL 算法的收敛性进行了收敛分析,同时综合优化了计算,通讯资源和量化比特数,以保证在所有全局轮次中的最小收敛时间,同时满足能源和量化误差的要求。我们对量化误差对收敛时间的影响进行了评估,并揭示了模型准确性与及时执行之间的平衡。此外,所提出的方法被证明与基线方案相比,可以加速收敛速度,并为量化误差容忍度的选择提供有用的见解。
Mar, 2022