Consensus-based Distributed Quantum Kernel Learning for Speech Recognition

要約

この論文では、分散量子コンピューティングによる音声認識の向上を目的とした、コンセンサスベースの分散量子カーネル学習 (CDQKL) フレームワークについて説明します。CDQKL は、集中型量子カーネル学習におけるスケーラビリティとデータ プライバシーの課題に対処します。
これは、古典的なチャネルを介して接続されている量子端末全体に計算タスクを分散することによって行われます。
このアプローチにより、ローカル トレーニング データを共有せずにモデル パラメーターを交換できるため、データのプライバシーが維持され、計算効率が向上します。
ベンチマーク音声感情認識データセットの実験評価では、CDQKL が集中型およびローカル量子カーネル学習モデルと比較して、競合する分類精度とスケーラビリティを達成していることが実証されています。
CDQKL の分散型の性質により、プライバシー保護と計算効率に利点があり、電気通信、自動車、金融などのデータに敏感な分野に適しています。
この調査結果は、CDQKL が大規模な機械学習タスクに分散量子コンピューティングを効果的に活用できることを示唆しています。

要約(オリジナル)

This paper presents a Consensus-based Distributed Quantum Kernel Learning (CDQKL) framework aimed at improving speech recognition through distributed quantum computing.CDQKL addresses the challenges of scalability and data privacy in centralized quantum kernel learning. It does this by distributing computational tasks across quantum terminals, which are connected through classical channels. This approach enables the exchange of model parameters without sharing local training data, thereby maintaining data privacy and enhancing computational efficiency. Experimental evaluations on benchmark speech emotion recognition datasets demonstrate that CDQKL achieves competitive classification accuracy and scalability compared to centralized and local quantum kernel learning models. The distributed nature of CDQKL offers advantages in privacy preservation and computational efficiency, making it suitable for data-sensitive fields such as telecommunications, automotive, and finance. The findings suggest that CDQKL can effectively leverage distributed quantum computing for large-scale machine-learning tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google