From Federated Learning to Quantum Federated Learning for Space-Air-Ground Integrated Networks

要約

6G ワイヤレス ネットワークは、宇宙、空、地上、および水中ネットワークをカバーするシームレスなデータベースの接続を提供すると期待されています。
将来の 6G ネットワークの中核となるパーティションとして、宇宙・航空・地上統合ネットワーク (SAGIN) は、無数のリアルタイム インテリジェント アプリケーションを提供すると構想されています。
これを実現するには、SAGIN への AI 技術の導入は避けられない傾向です。
SAGIN の分散型異種アーキテクチャにより、フェデレーテッド ラーニング (FL)、そして量子 FL が、将来のプライバシー強化と計算効率の高い SAGIN を実現するための AI モデル トレーニング技術として新たに登場しています。
この研究では、SAGIN で FL/QFL を使用するビジョンを探ります。
SAGIN での FL と QFL の統合によって可能になる代表的なアプリケーションをいくつか紹介します。
UAV ネットワーク上の QFL のケーススタディも提供され、従来の FL ベンチマークに対する量子対応トレーニング アプローチのメリットが示されています。
将来の SAGIN での QFL 採用に向けた標準化に伴う研究上の課題も強調されています。

要約(オリジナル)

6G wireless networks are expected to provide seamless and data-based connections that cover space-air-ground and underwater networks. As a core partition of future 6G networks, Space-Air-Ground Integrated Networks (SAGIN) have been envisioned to provide countless real-time intelligent applications. To realize this, promoting AI techniques into SAGIN is an inevitable trend. Due to the distributed and heterogeneous architecture of SAGIN, federated learning (FL) and then quantum FL are emerging AI model training techniques for enabling future privacy-enhanced and computation-efficient SAGINs. In this work, we explore the vision of using FL/QFL in SAGINs. We present a few representative applications enabled by the integration of FL and QFL in SAGINs. A case study of QFL over UAV networks is also given, showing the merit of quantum-enabled training approach over the conventional FL benchmark. Research challenges along with standardization for QFL adoption in future SAGINs are also highlighted.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google