QFL中双增益自适应聚合
机器学习
2026-02-19 v2 量子物理
摘要
部署在量子赋能和异构经典网络上的联邦学习（FL）由于客户端质量不均、随机隐形传态保真度、设备不稳定以及局部模型与全局模型之间的几何不匹配而面临显著的性能退化。经典聚合规则假设欧几里得拓扑和均匀通信可靠性，限制了其在新兴量子联邦系统中的适用性。本文提出A2G（Adaptive Aggregation with Two Gains，双增益自适应聚合），一个双增益框架，通过几何增益联合调节几何混合，并通过从隐形传态保真度、延迟和不稳定性导出的QoS增益调节客户端重要性。
引用
@article{arxiv.2512.03363,
title = {Adaptive Aggregation with Two Gains in QFL},
author = {S Nanayakkara},
journal= {arXiv preprint arXiv:2512.03363},
year = {2026}
}