模型驱动的量子联邦学习（QFL）
软件工程
2023-12-11 v1 机器学习
摘要
近来，若干研究提出了量子联邦学习（Quantum Federated Learning, QFL）框架。例如，已部署 Google TensorFlow Quantum (TFQ) 与 TensorFlow Federated (TFF) 库来实现 QFL。然而，开发者总体上尚不熟悉量子计算（Quantum Computing, QC）库与框架。提供一种位于底层 QC 与联邦学习（Federated Learning, FL）库之上的抽象层的领域特定建模语言（Domain-Specific Modeling Language, DSML）将大有裨益。这能使从业者在部署量子机器学习（Quantum Machine Learning, QML）前沿成果的同时，高效开展软件开发与数据科学任务。在本立场论文中，我们提议扩展现有的面向机器学习（Machine Learning, ML）赋能系统的领域特定模型驱动工程（Model-Driven Engineering, MDE）工具，如 MontiAnna、ML-Quadrat 与 GreyCat，以支持 QFL。
引用
@article{arxiv.2304.08496,
title = {Model-Driven Quantum Federated Learning (QFL)},
author = {Armin Moin and Atta Badii and Moharram Challenger},
journal= {arXiv preprint arXiv:2304.08496},
year = {2023}
}
备注
Quantum Programming (QP) 2023 Workshop, Programming 2023, Tokyo, Japan