增强基于费舍尔信息优化的量子联邦学习-计算机科学-机器学习-量子联邦学习-变分量子电路-分布式计算.pdfVIP

增强基于费舍尔信息优化的量子联邦学习

AmandeepSinghBhatiaandSabreKais

DepartmentofElectricalandComputerEngineering,

NorthCarolinaStateUniversity,Raleigh,NC,USA

联合学习（FL）在不同领域越来越受欢迎，提供了一种让客户端合作训练全局模型而无需共享敏感

数据的方法。它涉及全局模型与参与客户端之间的多轮通信，这引入了诸如高通信成本、异构客户端

数据、延长处理时间以及增加隐私威胁漏洞等挑战。近年来，联合学习和参数化量子电路的结合引发

了广泛的研究兴趣，并对医疗保健和金融等领域具有潜在影响。通过实现量子模型的分散式训练，它

允许客户或机构在保护数据隐私的同时协作提高模型性能和结果。认识到Fisher信息可以量化量子状

态在参数变化下的信息量，从而提供对其几何和统计属性的洞察。我们打算利用这一特性来解决上述

挑战。在这项工作中，我们提出了一种量子联合学习（QFL）算法，该算法使用了在当地客户端模型

上计算出的Fisher信息，数据分布在异构分区中。这种方法识别对量子模型性能影响显著的关键参数，

并确保在聚合过程中保留这些参数。我们的研究通过对比其与其他变体的表现以及探索将Fisher信息

纳入QFL设置的好处来评估QFL的有效性和可行性。在ADNI和MNIST数据集上的实验结果证明

了我们方法在实现更好的性能和对抗量子联合平均方法的稳健性方面的有效性。

本关键词：量子联邦学习，变分量子电路，分类，费舍尔信息，分布式计算。

译

中I.介绍

1

v保护隐私已成为当前数字环境中的关键需求，尤

0

8其是在经典或量子或混合机器学习应用中。近年来，联

5

7邦学习（FL）作为一种分布式学习框架获得了显著的

1.关注，使多个客户端（如移动设备或机构）能够在保

7持去中心化数据[1]的情况下协作训练模型。这种方法

0

5允许客户端在不泄露其私有数据的情况下与中央服务

2

:器共享模型参数。联邦学习增强了数据隐私和安全性，图1.量子联邦学习过程的说明。中央服务器使用随机权重初始

v

i使其特别适用于医疗保健和金融等敏感领域。在现实化全局模型，并将它们分发给客户端（例如医院或边缘设备）。

x

r世界中实施联邦学习（FL）面临独特的挑战，包括由客户端在其数据上训练本地量子AI模型并将更新发送到服务

a

于非独立且非同分布（non-IID）数据导致的数据异质器，后者通过加权平均等技术改进全局模型。这一迭代过程确

保了原始数据的去中心化存储以保护数据隐私，同时协作提升

性以及显著的通信开销[2–4]。为了解决这些问题，已

全局模型直至收敛。

经开发了各种策略，如模型压缩和聚合，证明其具有

高度影响[5,6]。此外，某些联邦学习方法还利用费舍

尔信息进行聚合[7,8]，展示了其潜在提升模型性能的重大影响的潜力，涵盖医疗保健、制造和金融等多个

能力。领域。值得注意的联邦设置中的QML算法实现包括

同时，量子计算，尤其是量子机器学习（QML）[9,量子神经网络[11]、变分量子张量网络（QTNs）[12]、

10]，包括量子联邦学习取得了显著进展。其利用分布式变分量子电路（VQCs）[13–15]、quanvolutional神经