Federated learning with distributed fixed design quantum chips and quantum channels

要約

従来のフェデレーテッド ラーニングにおけるプライバシーは、クライアントからの操作されたクエリを使用してローカル勾配結果を使用することによって侵害される可能性があります。
ただし、量子通信チャネルは、データ内の測定値の使用により検出可能な情報の一部が失われるため、より安全であると考えられています。
したがって、量子バージョンのフェデレーテッド ラーニングを使用して、より多くのプライバシーを提供できます。
さらに、量子チャネルを介して $N$ 次元のデータ ベクトルを送信するには、$\log N$ 個のもつれ量子ビットを送信する必要があります。これにより、データ ベクトルが量子状態として取得される場合、指数関数的な効率が得られます。
この論文では、固定設計の量子チップが集中サーバーから送信された量子状態に基づいて動作する量子連合学習モデルを提案します。
到来する重ね合わせ状態に基づいて、クライアントはローカル勾配を計算し、量子状態としてサーバーに送信し、そこで集約されてパラメーターが更新されます。
サーバーはモデル パラメーターを送信せず、代わりに演算子を量子状態として送信するため、クライアントはモデルを共有する必要がありません。
これにより、非同期学習モデルの作成が可能になります。
さらに、量子状態としてのモデルはクライアント側のチップに直接供給されます。
したがって、勾配を計算するためにモデル パラメーターを取得するために、次の量子状態を測定する必要はありません。
これにより、パラメータ ベクトルが古典チャネルまたは量子チャネルを介して送信され、取得されたこれらのパラメータの値を通じてローカル勾配が取得されるモデルよりも効率が向上します。

要約(オリジナル)

The privacy in classical federated learning can be breached through the use of local gradient results by using engineered queries from the clients. However, quantum communication channels are considered more secure because the use of measurements in the data causes some loss of information, which can be detected. Therefore, the quantum version of federated learning can be used to provide more privacy. Additionally, sending an $N$ dimensional data vector through a quantum channel requires sending $\log N$ entangled qubits, which can provide exponential efficiency if the data vector is obtained as quantum states. In this paper, we propose a quantum federated learning model where fixed design quantum chips are operated based on the quantum states sent by a centralized server. Based on the coming superposition states, the clients compute and then send their local gradients as quantum states to the server, where they are aggregated to update parameters. Since the server does not send model parameters, but instead sends the operator as a quantum state, the clients are not required to share the model. This allows for the creation of asynchronous learning models. In addition, the model as a quantum state is fed into client-side chips directly; therefore, it does not require measurements on the upcoming quantum state to obtain model parameters in order to compute gradients. This can provide efficiency over the models where parameter vector is sent via classical or quantum channels and local gradients are obtained through the obtained values of these parameters.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google