具有单次通信复杂度的非独立同分布量子联邦学习
量子物理
2023-01-19 v2 分布式、并行与集群计算
机器学习
机器学习
摘要
联邦学习指的是基于来自多个客户端且数据隐私受保护的去中心化数据进行机器学习的任务。近期研究表明，量子算法可被用来提升其性能。然而，当客户端的数据不是独立同分布（IID）时，传统联邦算法的性能已知会恶化。在本工作中，我们通过理论分析与数值分析探究量子联邦学习中的非IID问题。我们进一步证明，借助局部密度估计器，全局量子信道可精确分解为由各客户端训练的局部信道。这一发现引出了一种面向非IID数据、具有单次通信复杂度的量子联邦学习通用框架。数值模拟表明，所提算法在非IID设定下显著优于传统算法。
引用
@article{arxiv.2209.00768,
title = {Non-IID Quantum Federated Learning with One-shot Communication Complexity},
author = {Haimeng Zhao},
journal= {arXiv preprint arXiv:2209.00768},
year = {2023}
}
备注
7 pages excluding appendices and references. Code available at https://github.com/JasonZHM/quantum-fed-infer