面向 NISQ 平台的联邦 ADAS 学习的噪声鲁健量子聚合
机器学习
2025-12-16 v1 硬件体系结构
摘要
高级驾驶辅助系统(ADAS)日益采用联邦学习(Federated Learning, FL)在分布式车联节点之间协作训练模型，同时保持数据隐私。然而，传统联邦学习聚合在面临现实车联网络中固有的噪声、延迟和安全约束时仍易受影响。本文引入噪声鲁健量子联邦学习(Noise-Resilient Quantum Federated Learning, NR-QFL)，一种混合量子-经典框架，通过在噪声中间规模量子(NISQ)条件下运行的变分量子电路(Variational Quantum Circuits, VQCs)实现安全、低延迟的聚合。该框架通过自适应门重参数化将模型参数编码为量子态，确保有界误差收敛并在完全正迹保持(Completely Positive Trace-Preserving, CPTP)动力学下具备可证明的鲁健性。NR-QFL采用基于量子熵的客户端选择和多服务器协调，实现公平性和稳定性。实证验证表明，NR-QFL在受限边缘条件下实现一致收敛，梯度方差降低，通信开销降低，噪声容忍性增强。该框架为量子增强型联邦学习建立了可扩展基础，使其能够在车联边缘实现安全、高效且动态稳定的 ADAS 智能。
引用
@article{arxiv.2512.13196,
title = {Noise-Resilient Quantum Aggregation on NISQ for Federated ADAS Learning},
author = {Chethana Prasad Kabgere and Sudarshan T S B},
journal= {arXiv preprint arXiv:2512.13196},
year = {2025}
}
备注
This paper was accepted and presented at WinTechCon 2025, Bangalore, India, and is published in IEEE Xplore