Quantum Federated Learning
PulseAugur coverage of Quantum Federated Learning — every cluster mentioning Quantum Federated Learning across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的vFedProtoQNAS方法增强了个性化量子联邦学习
研究人员推出了一种新方法vFedProtoQNAS，用于在虚拟联邦学习环境中进行个性化量子神经网络架构搜索。该方法通过允许每个客户端独立训练特定于客户端的量子神经网络来解决设备能力差异的挑战。vFedProtoQNAS不聚合模型参数，而是通过共享类原型促进联邦协作，并使用全局原型作为语义锚点。实验表明，该技术比标准的FedAvg提高了3.70%的准确率，并增强了类一致表示的一致性。
-
量子联邦学习研究应对噪声和异构性
两篇新研究论文探讨了量子联邦学习（QFL）的进展，这是一种允许量子神经网络在不共享私有数据的情况下进行训练的方法。第一篇论文介绍了一种使用 QoS 感知客户端加权和圆形参数聚合的稳定聚合方法，该方法在 IBM 量子机器上进行了验证，并在医疗和金融数据集上显示出更高的稳定性和准确性。第二篇论文提出使用 Bures--Uhlmann 几何进行 QFL，将参数空间几何扩展到混合态，以处理嘈杂和异构的量子设备，在囚禁离子量子模拟器上展示了优于…
-
新框架为量子联邦学习的 ansatz 结构实现个性化
研究人员推出了一种新颖的个性化量子联邦学习框架 PAS-QFL，旨在解决客户端之间数据异构性问题。与先前假设所有参与者采用统一 ansatz 结构的方法不同，PAS-QFL 允许每个客户端拥有个性化的 ansatz 结构。这种方法旨在通过适应多样化的本地数据分布，特别是在类别不平衡的情况下，来提高训练量子神经网络的稳定性和公平性。
-
新研究解决QFL噪声和后门漏洞
两篇新研究论文探讨了量子联邦学习（QFL）的挑战和漏洞。一篇论文介绍了Q-ANCHOR，一种旨在缓解QFL中非独立同分布数据和硬件噪声问题的架构，与传统基线相比显示出更稳定的训练。另一篇论文侧重于安全性，详细介绍了一种名为CULT的新攻击模型，该模型利用电路级漏洞引入后门，表明现有防御措施无法抵御这些隐蔽攻击。