Quantum Federated Learning With Quantum Networks

要約

深層学習モデルの主な懸念事項は、モデルの構築とトレーニングに必要な大量のデータであり、その多くは第三者によるアクセスに対して脆弱な個人を特定できる機密情報に依存しています。
この問題に対処するために量子インターネットを使用するというアイデアは以前に提案されており、これにより高速かつ完全に安全なオンライン通信が可能になります。
これまでの研究では、ハブスポーク トポロジを使用した古典データおよび通信用のハイブリッド量子古典転移学習スキームが得られました。
量子通信は盗聴攻撃に対して安全であり、量子から古典的変換までの測定は不要ですが、クローン作成定理がないため、ハブスポーク トポロジは量子メモリのない量子通信には理想的ではありません。
ここでは、各クライアントにデータセット全体の一部が与えられ、そのセットに対してのみトレーニングを実行するフェデレーテッド ラーニング スキームの分散リング トポロジを実装することで、このモデルの改善を目指します。
また、量子フェデレーテッド ラーニングにおける量子重みの初めての使用に成功したことも実証します。これにより、トレーニングを完全に量子で実行できるようになります。

要約(オリジナル)

A major concern of deep learning models is the large amount of data that is required to build and train them, much of which is reliant on sensitive and personally identifiable information that is vulnerable to access by third parties. Ideas of using the quantum internet to address this issue have been previously proposed, which would enable fast and completely secure online communications. Previous work has yielded a hybrid quantum-classical transfer learning scheme for classical data and communication with a hub-spoke topology. While quantum communication is secure from eavesdrop attacks and no measurements from quantum to classical translation, due to no cloning theorem, hub-spoke topology is not ideal for quantum communication without quantum memory. Here we seek to improve this model by implementing a decentralized ring topology for the federated learning scheme, where each client is given a portion of the entire dataset and only performs training on that set. We also demonstrate the first successful use of quantum weights for quantum federated learning, which allows us to perform our training entirely in quantum.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google