Fedcompass：面向混合经典-量子模型的联邦聚类与周期性聚合框架
机器学习
2026-02-04 v1
摘要
联邦学习使得在隐私约束下跨去中心化客户端协作训练模型。量子计算可通过减轻计算与通信负担来缓解联邦学习中的挑战，但混合经典-量子联邦学习在非IID数据下仍易出现性能下降。为此，我们提出FEDCOMPASS——一个用于混合经典-量子联邦学习的分层聚合框架。FEDCOMPASS采用谱聚类将客户端按类别分布相似性分组，并对经典特征提取器执行聚类级聚合。对于量子参数，它采用圆形平均聚合结合自适应优化以确保全局更新的稳定性。在三个基准数据集上的实验表明，FEDCOMPASS在非IID设置下测试准确率提升最高可达10.22%，并显著增强收敛稳定性，超越六大强大的联邦学习基线。
引用
@article{arxiv.2602.03052,
title = {Fedcompass: Federated Clustered and Periodic Aggregation Framework for Hybrid Classical-Quantum Models},
author = {Yueheng Wang and Xing He and Zinuo Cai and Rui Zhang and Ruhui Ma and Yuan Liu and Rajkumar Buyya},
journal= {arXiv preprint arXiv:2602.03052},
year = {2026}
}
备注
Accepted by the 2026 IEEE International Conference on Acoustics, Speech, and Signal Processing(ICASSP 2026)