FedQML-Edge：面向通信受限路边联邦学习的紧凑量子特征草图
量子物理
2026-07-30 v1 新兴技术
摘要
支持连接和自动驾驶车辆走廊的路边单元（RSUs）需要紧凑模型来决定是否应奖励、延迟或禁用协同操作。原始传感器流和神经网络权重检查点不太适合带宽受限、隐私敏感的路边学习。本文提出了FedQML-Edge，这是一个面向交通稳定性门控的联邦量子特征草图管道。每个RSU构建交通状态摘要并向量子计算机发送电路输入；Pauli期望形成非线性草图，由逻辑分类器处理。仅分类器更新被共享给聚合器，其头部支持奖励门控。原始观测、车辆记录、事件轨迹和量子草图保持私密。我们使用NGSIM轨迹、SUMO预测门控与感知噪声以及IBM量子硬件进行方法评估。在NGSIM上，Pauli草图相对于最强匹配的经典草图将测试对数损失降低了14.4%。在SUMO上，它在稳定窗口召回方面接近更大的MLP，同时每轮使用7-28倍更少的通信。
引用
@article{arxiv.2607.28799,
title = {FedQML-Edge: Compact Quantum Feature Sketches for Communication-Constrained Roadside Federated Learning},
author = {Talha Azfar and Ruimin Ke},
journal= {arXiv preprint arXiv:2607.28799},
year = {2026}
}