面向经典客户端的量子联邦学习框架
量子物理
2023-12-20 v1
摘要
量子联邦学习（QFL）使得拥有量子计算能力的多个客户端能够协作训练量子机器学习（QML）模型，而无需共享各自的本地数据。然而，量子计算资源的有限可用性给每个客户端获取量子计算能力带来了挑战。这引出了一个自然的问题：量子计算能力能否部署在服务器端？针对这一问题，本文提出了一种专门为经典客户端设计的 QFL 框架，简称为 CC-QFL。在每次迭代中，QML 模型的协作训练由影子层析技术辅助，消除了客户端对量子计算能力的需求。具体而言，服务器构建 QML 模型的经典表示并将其传输给客户端。客户端将其本地数据编码到可观测量上，并使用该经典表示计算本地梯度。随后，这些本地梯度被用于更新 QML 模型的参数。我们利用 MNIST 数据集中的手写数字图像，通过广泛的数值模拟评估了我们框架的有效性。我们的框架为 QFL 提供了有价值的见解，特别是在量子计算资源稀缺的场景下。
引用
@article{arxiv.2312.11672,
title = {A Quantum Federated Learning Framework for Classical Clients},
author = {Yanqi Song and Yusen Wu and Shengyao Wu and Dandan Li and Qiaoyan Wen and Sujuan Qin and Fei Gao},
journal= {arXiv preprint arXiv:2312.11672},
year = {2023}
}