DUQFL-Prox: Framework di Apprendimento Federato Quantistico Stabile alla Deriva
Il recentemente introdotto framework DUQFL-Prox mira a risolvere i problemi di instabilità nell'apprendimento federato quantistico, consentendo a client distribuiti di addestrare reti neurali quantistiche mantenendo privati i propri dati locali. Questo metodo affronta sfide come la deriva del cliente e le prestazioni disomogenee derivanti da dati diversi e dall'ottimizzazione quantistica rumorosa. Impiegando un'ottimizzazione locale deep-unfolded con aggiornamenti SPSA adattivi e incorporando un termine prossimale, DUQFL-Prox garantisce che i modelli locali rimangano allineati con il modello globale. Inoltre, viene utilizzato un controller leggero per apprendere parametri di ottimizzazione specifici per ogni passo. Questo approccio è particolarmente adatto per sistemi decisionali distribuiti sensibili alla privacy, inclusi il rilevamento di frodi e la classificazione genomica.
Fatti principali
- DUQFL-Prox è un framework di apprendimento federato quantistico stabile alla deriva.
- Utilizza un'ottimizzazione locale deep-unfolded.
- Ogni cliente esegue aggiornamenti SPSA adattivi unfoldati.
- Un termine prossimale mantiene il modello locale vicino al modello globale.
- Un controller leggero apprende parametri di ottimizzazione specifici per ogni passo.
- Affronta dati eterogenei dei client e ottimizzazione quantistica rumorosa.
- Si rivolge a sistemi decisionali distribuiti sensibili alla privacy.
- Le applicazioni includono il rilevamento di frodi e la classificazione genomica.
Entità
—