SU(2)回転を単位四元数座標で表現することにより、フェデレーション学習のために量子ニューラルネットワークのパラメータを暗号化し、暗号化の深さを数千のゲートから1つの乗算に削減し、ユーティリティ損失ゼロでハードウェア検証99.18%の忠実度を実現します。
@informaq-ja.bsky.social
@informaq-ja.bsky.socialSU(2)回転を単位四元数座標で表現することにより、フェデレーション学習のために量子ニューラルネットワークのパラメータを暗号化し、暗号化の深さを数千のゲートから1つの乗算に削減し、ユーティリティ損失ゼロでハードウェア検証99.18%の忠実度を実現します。
@informaq-ja.bsky.socialハイブリッド量子古典フェデレーション学習は、古典的な代替案の1,002以上のパラメータに対して、わずか12の訓練可能なパラメータのみを使用して87.57%の精度を達成し、生データを集約することなくプライバシー保護型のマルチパーティMLを実現する。