联邦量子长短期记忆（FedQLSTM）
机器学习
2023-12-25 v1 网络与互联网体系结构
量子物理
摘要
量子联邦学习（QFL）可以利用量子机器学习（QML）模型促进多个客户端之间的协作学习，同时保护数据隐私。尽管QFL的最新进展涵盖了不同任务（如分类）并利用了多种数据类型，但此前尚无工作专注于开发利用时序数据来逼近函数以分析分布式量子传感网络性能的QFL框架。本文提出了一种新颖的QFL框架，该框架首次将量子长短期记忆（QLSTM）模型与时序数据集成。所提出的联邦QLSTM（FedQLSTM）框架被用于执行函数逼近任务。为此，提出了三个关键用例：贝塞尔函数逼近、正弦延迟量子反馈控制函数逼近和斯特鲁夫函数逼近。仿真结果证实，对于所有考虑的用例，所提出的FedQLSTM框架在单个本地训练周期下实现了更快的收敛速度，最小化了整体计算量，并且与使用经典LSTM模型的FL框架相比，节省了25-33%的收敛所需通信轮次。
引用
@article{arxiv.2312.14309,
title = {Federated Quantum Long Short-term Memory (FedQLSTM)},
author = {Mahdi Chehimi and Samuel Yen-Chi Chen and Walid Saad and Shinjae Yoo},
journal= {arXiv preprint arXiv:2312.14309},
year = {2023}
}
备注
20 pages, 9 figures