应对量子噪声的散发型联邦学习方法在量子环境中的应用
量子物理
2025-07-18 v1 人工智能
机器学习
摘要
量子联邦学习 (QFL) 是一种新兴范式，通过结合量子计算和联邦学习 (FL) 实现在量子网络上保持数据隐私的去中心化模型训练。然而，量子噪声 remains 一个 significant barrier in QFL，因为现代量子设备因硬件质量差异和对量子退相干的敏感性而导致噪声水平异构，造成训练性能不足。为解决此问题，我们提出 SpoQFL，一种新型 QFL 框架，利用稀疏学习来缓解分布式量子系统中的量子噪声异构性。SpoQFL 根据噪声波动动态调整训练策略，提高模型的鲁棒性、收敛稳定性和整体学习效率。在真实数据集上的大量实验表明，SpoQFL 在训练性能和收敛稳定性方面显著优于传统 QFL 方法。
引用
@article{arxiv.2507.12492,
title = {Sporadic Federated Learning Approach in Quantum Environment to Tackle Quantum Noise},
author = {Ratun Rahman and Atit Pokharel and Dinh C. Nguyen},
journal= {arXiv preprint arXiv:2507.12492},
year = {2025}
}