要約
量子フェデレーテッド ラーニング (QFL) は、量子テクノロジーを活用して学習プロセスのプライバシー、セキュリティ、効率を強化することを目的として、量子コンピューティング (QC) とフェデレーテッド ラーニング (FL) の原則を統合した新興学際分野です。
現在、この学際的な分野に関する包括的な調査はありません。
このレビューでは、QFL の徹底的かつ全体的な調査を提供します。
私たちは、QFL の原理、技術、および新たな応用についての包括的な理解を提供することを目指しています。
この急速に進化する分野における研究の現状について議論し、これらのテクノロジーの統合に関連する課題と機会を特定し、将来の方向性と未解決の研究課題を概説します。
私たちは、QFL 技術の特性と使用される量子技術に従って分類された、QFL 技術の独自の分類法を提案します。
QFL の分野が進歩し続けるにつれて、さまざまな業界でさらなるブレークスルーと応用が期待され、イノベーションを推進し、データ プライバシー、セキュリティ、リソースの最適化に関連する課題に対処できるようになります。
このレビューは、QFL 分野の理解と発展に関心のある研究者や実践者にとって、この種では初めての包括的なガイドとして役立ちます。
要約(オリジナル)
Quantum Federated Learning (QFL) is an emerging interdisciplinary field that merges the principles of Quantum Computing (QC) and Federated Learning (FL), with the goal of leveraging quantum technologies to enhance privacy, security, and efficiency in the learning process. Currently, there is no comprehensive survey for this interdisciplinary field. This review offers a thorough, holistic examination of QFL. We aim to provide a comprehensive understanding of the principles, techniques, and emerging applications of QFL. We discuss the current state of research in this rapidly evolving field, identify challenges and opportunities associated with integrating these technologies, and outline future directions and open research questions. We propose a unique taxonomy of QFL techniques, categorized according to their characteristics and the quantum techniques employed. As the field of QFL continues to progress, we can anticipate further breakthroughs and applications across various industries, driving innovation and addressing challenges related to data privacy, security, and resource optimization. This review serves as a first-of-its-kind comprehensive guide for researchers and practitioners interested in understanding and advancing the field of QFL.
arxiv情報
著者 | Chao Ren,Han Yu,Rudai Yan,Minrui Xu,Yuan Shen,Huihui Zhu,Dusit Niyato,Zhao Yang Dong,Leong Chuan Kwek |
発行日 | 2023-06-16 15:40:21+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google