PAS-QFL: Selezione Personalizzata dell'Ansatz per l'Apprendimento Federato Quantistico

Il nuovo framework, PAS-QFL, affronta il problema della diversità dei dati dei clienti nell'apprendimento federato quantistico (QFL). Nel QFL, vari clienti quantistici collaborano per addestrare reti neurali quantistiche (QNN) mantenendo privati i propri dati locali. Tuttavia, gli attuali approcci QFL generalmente assumono un ansatz uniforme tra i clienti, trascurando l'impatto dei dati variabili dei clienti sull'idoneità dell'ansatz. Con dati non-IID sbilanciati per classe, i clienti possono preferire diverse configurazioni di ansatz, risultando in prestazioni incoerenti e distorte. PAS-QFL separa la QNN di ciascun cliente in un ansatz condiviso a livello globale e uno privato personalizzato, personalizzando la struttura privata anziché solo i suoi parametri. L'ansatz condiviso è prioritizzato e scelto in base a un criterio sensibile alla stabilità. Questo framework è dettagliato in un articolo su arXiv (2608.14995), presentato come cross-abstract, con l'obiettivo di migliorare l'equità e la stabilità nel QFL allineando le strutture dell'ansatz con le distribuzioni dei dati dei clienti.