机构名称：
¥ 1.0
摘要 近年来，科学家积极推动联邦机器学习的概念，以缓解数据所有者的隐私担忧。目前，机器学习和量子计算技术的结合是一个热门的行业话题，并有望成为重大颠覆者。它已成为重塑从医疗保健到金融等多个行业的有效新工具。数据共享对众多行业的大规模机器学习构成了重大障碍。研究由异构联邦资源组成的先进量子计算生态系统是一个自然的目标。在这项工作中，数据治理和隐私问题通过开发量子联邦学习方法来处理，该方法可以在嘈杂的中型量子时代在量子硬件上有效执行。我们提出了一种联邦混合量子-经典算法，称为量子卷积神经网络，它在不同的站点进行分布式训练而无需交换数据。混合算法需要小型量子电路来为图像分类任务产生有意义的特征，这使其成为近期量子计算的理想选择。这项工作的主要目标是评估混合量子-经典和经典-量子卷积神经网络在多个医疗机构/客户之间的非独立和非相同分区 (Non-IID) 和真实世界数据分区数据集上的潜在优势。我们研究了协作量子卷积神经网络在两个医学机器学习数据集 COVID-19 和 MedNIST 上的性能。进行了大量实验来验证所提出的量子联邦学习框架的稳健性和可行性。我们的研究结果表明，与联邦随机梯度下降方法相比，必要的通信轮次减少了 2%–39%。即使在医疗数据在客户端之间分布不均匀的情况下，混合联邦框架也能保持较高的分类测试准确性和通用性。
联合量子卷积神经网络 - 普渡大学化学系
主要关键词
相关文件推荐
