PulseAugur
中
实时 00:46:36
English(EN) Encryptability As a Coordinate Choice: Depth-One Homomorphic Federated Learning of Quantum Neural Networks

量子神经网络实现高效加密联邦学习

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员利用单位四元数（自旋）图谱，开发了一种新颖的量子神经网络同态联邦学习方法。该方法显著降低了加密训练的计算成本，将其从 prohibitive 的开销转变为可管理的开销。新协议允许混合量子经典网络的非交互式加密联邦训练，展示了可忽略的效用损失，并复制了跨数据集和多达 20 个客户端的收敛趋势。 AI

影响 这项研究可能能够实现更安全、更高效的量子机器学习模型的训练，从而加速该领域的进步。

排序理由 该集群包含一篇详细介绍量子神经网络新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

量子神经网络实现高效加密联邦学习

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Marcel Mordarski, Nathan Mani, Arshad Patel, William Knottenbelt, Roberto Bondesan ·

    加密性作为坐标选择：量子神经网络的深度单同态联邦学习

    arXiv:2609.30581v1 Announce Type: cross Abstract: Encrypted training relies on keeping server-side updates low-degree. This constraint traditionally excludes models whose weights inhabit a compact Lie group (notably variational quantum circuits, where every trainable weight is an…

相关话题