XiaoMi-AI文件搜索系统
World File Search SystemQFL
经典和量子网络上的量子联邦学习基础
摘要 — 量子联邦学习 (QFL) 是一种新颖的框架，它将经典联邦学习 (FL) 的优势与量子技术的计算能力相结合。这包括量子计算和量子机器学习 (QML)，使 QFL 能够处理高维复杂数据。QFL 可以部署在经典和量子通信网络上，以便从超越传统 FL 框架的信息理论安全级别中受益。在本文中，我们首次全面调查了 QFL 的挑战和机遇。我们特别研究了 QFL 的关键组件，并确定了在经典和量子网络上部署 QFL 时出现的独特挑战。然后，我们开发了新颖的解决方案并阐明了有希望的研究方向，以帮助解决已发现的挑战。我们还提供了可行的建议，以推进 QFL 的实际实现。
量子的基础是经典和量子网络的联合学习的基础
量子量子联合学习（QFL）是一个新颖的框架，将分类联合学习（FL）的优势与量子技术的计算能力相结合。这包括量子计算和量子机学习（QML），使QFL能够处理高含量的复杂数据。QFL可以在经典和量子通信网络上部署，以使信息受益 - 理论安全级别超过传统的FL框架。在本文中，我们对QFL的挑战和机遇进行了首次全面调查。我们特别检查了QFL的关键组成部分，并确定在经典和量子网络中部署它时会出现的独特挑战。然后，我们开发新的解决方案并阐明可以帮助应对所确定挑战的研究方向。我们还提供了可行的建议，以推进QFL的实际实现。
量子联邦学习：分析、设计和实施挑战
摘要 — 量子联邦学习 (QFL) 因量子计算和机器学习的进步而备受关注。随着对 QFL 的需求不断激增，迫切需要了解其在分布式环境中的复杂性。本文旨在全面概述 QFL 的现状，解决现有文献中的关键知识空白。我们为新的 QFL 框架开发想法，探索应用程序的不同用例，并考虑影响其设计的关键因素。在介绍未来研究方向和有待进一步探索的开放问题的同时，我们研究了各种 QFL 研究项目的技术贡献和局限性。索引术语 — 量子联邦学习、量子机器学习、分布式人工智能
使用量子数据联合学习的量子
Quantum机器学习（QML）已成为一个有前途的领域，它依靠量子计算中的发展来探索大型复杂的机器学习问题。最近，提出了一些纯量子机学习模型，例如量子卷积神经网络（QCNN），以对量子数据进行分类。但是，所有现有的QML模型都取决于对大规模和分布式量子网络无法很好地扩展的集中解决方案。因此，考虑到针对新兴的量子网络体系结构量身定制的更实用的量子联合学习（QFL）解决方案是一种方法。的确，鉴于计算量子的脆弱性质以及传输它们的困难，为量子网络开发QFL框架至关重要。在其实际的重要性之上，QFL可以通过利用现有的无线通信基础架构来分发量子学习。本文提出了第一个完全量子联合学习框架，该框架可以通过量子数据运行，因此以分散的方式共享量子电路参数的学习。首先，鉴于文献中缺少现有的量子联合数据集，提出的框架开始于生成具有分布式量子网络的第一个量子联合数据集，具有层次数据格式。然后，为共享QCNN模型的客户提供量子数据以执行分类任务。随后，服务器从客户端汇总了可学习的量子电路参数并执行联合平均。进行了广泛的实验，以评估和验证所提出的QFL溶液的有效性。这项工作是将Google的TensorFlow联合和TensorFlow量子组合到实际实现中的第一个。
利用分散数据进行量子联邦学习
摘要 —变分量子算法 (VQA) 访问集中式数据来训练模型，使用分布式计算可以显著改善训练开销；然而，数据对隐私敏感。在本文中，我们提出了从分散数据中进行通信高效的 VQA 学习，即所谓的量子联邦学习 (QFL)。受经典联邦学习算法的启发，我们通过聚合本地计算的更新来共享模型参数，从而改善数据隐私。在这里，为了在参数环境中找到近似最优值，我们开发了传统 VQA 的扩展。最后，我们在变分量子张量网络分类器、Ising 模型的近似量子优化和分子氢的变分量子特征求解器中部署了 TensorFlowQuantum 处理器。我们的算法从分散数据中展示了模型的准确性，在近期处理器上具有更高的性能。重要的是，QFL 可能会激发安全量子机器学习领域的新研究。
医疗保健中联合学习的量子：从开发到部署以及从模型到数据的转变
医疗组织具有大量敏感数据，传统技术的存储容量和计算资源有限。由于与患者隐私相关的公司法规，共享机器学习的医疗数据的前景更加艰巨。对医疗保健数据的确定性，完整性和可用性的良好保护已成为古典数据安全考虑之外的主要关注点。近年来，联邦学习为加速分布式机器学习的解决方案解决了与数据隐私和治理有关的问题。目前，量子计算和机器学习的融合已经引起了学术机构和研究社区的注意。量子计算机表明，通过在几个量子节点上的有效分布培训为医疗保健部门带来巨大的好处。这项工作的最终目标是开发一个量子联合学习框架（QFL），以应对医疗和医疗成像任务的医疗保健和临床行业的优化，安全和隐私挑战。在这项工作中，我们提出了联合量子卷积神经网络（QCNN），并在边缘设备上进行了分布式培训。为了证明拟议的QFL框架的可行性，我们在医疗数据集（肺炎MNIST和CT-Kidney疾病分析）上进行了广泛的实验，这些实验是非独立和非独立地分区的医疗机构/客户/客户/客户的。通过大规模模拟对拟议的量子联合学习框架进行了验证和评估。量子联盟全球模型保持了高分类测试的准确性和义务的能力，并且无论医疗数据如何在客户之间分配如何不平衡，都超过了本地培训客户。与本地客户相比，全球模型在接收器操作特征曲线（Auc-Roc）（0.953）和全类平均（0.98）方面取得了最佳性能，以预测肺炎和CT-Kidney数据集的结果。此外，提出了客户选择机制，以减少每个通信的计算开销，从而有效地提高了收敛速度。基于我们来自数值模拟的结果，分布式和安全的量子机学习算法的部署用于启用可扩展和隐私的智能医疗保健应用程序将非常有价值。