PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.01718v1cs.AI

vFedProtoQNAS: 가상 연합 학습을 위한 프로토타입 기반 개인화 양자 신경망 아키텍처 탐색

vFedProtoQNAS: Prototype-Guided Personalized Quantum Neural Architecture Search for Virtual Federated Learning

양자 연합 학습(Quantum Federated Learning, QFL)은 리소스가 제한된 디바이스의 분산된 개인 프라이빗 데이터를 바탕으로 소형 양자 신경망(Quantum Neural Network, QNN)을 협력적으로 학습(training)하기 위한 유망한 접근 방식으로 떠올랐습니다. 그러나 디바이스 성능의 차이로 인해 단일 공유 QNN 아키텍처를 모든 클라이언트에 일괄 적용하기는 어렵습니다. 개인화 양자 신경망 아키텍처 탐색(Quantum Neural Architecture Search, QNAS)을 사용하면 각 클라이언트가 디바이스 맞춤형 QNN을 선택할 수 있지만, 구조적으로 서로 다른 QNN 아키텍처 전반에 걸쳐 파라미터를 평균화하면 의미론적으로 일치하지 않는 회로 연산들이 섞이게 됩니다. 이를 해결하기 위해 가상 FL을 위한 프로토타입 기반 개인화 QNAS(vFedProtoQNAS)를 제안합니다. 이 방식에서는 클라이언트 간에 모델(model) 파라미터를 집계하지 않으며, 클래스별 프로토타입 공유를 통해 연합 협력을 달성합니다. 각 클라이언트는 클라이언트 맞춤형 QNN을 독립적으로 탐색 및 학습하고, 잠재 표현으로부터 클래스별 로컬 프로토타입을 계산한 후, 서버의 글로벌 프로토타입을 연합 의미 앵커(anchor)로 활용하여 이를 개선합니다. 실험을 통해 vFedProtoQNAS가 FedAvg 대비 정확도를 3.70% 향상시키고 클래스 일관적인 표현 정렬을 개선함을 입증합니다.

arXiv:2607.21647v1cs.LG

지능형 서비스를 위한 드리프트 안정 양자 연합 학습

A Drift Stable Quantum Federated Learning for Intelligent Services

양자 연합 학습(quantum federated learning)은 분산 클라이언트가 로컬 데이터를 공유하지 않고 양자 신경망(quantum neural networks)을 학습할 수 있게 하며, 이는 프라이버시를 고려한 지능형 서비스에 유망한 접근법이다. 이 맥락에서 지능형 서비스는 사기 탐지와 유전체 분류와 같이 프라이버시에 민감한 분산 의사결정 시스템을 가리키며, 여기서는 신뢰할 수 있고 공정한 클라이언트 수준 학습이 집계 모델의 정확도만큼 중요하다. 그러나 이질적인 클라이언트 데이터와 노이즈가 많은 양자 최적화(optimization)는 종종 불안정한 로컬 업데이트, 클라이언트 드리프트(client drift), 그리고 클라이언트 간 불공정한 성능을 야기한다. 본 논문은 deep-unfolded 로컬 최적화에 기반한 드리프트 안정 양자 연합 학습 프레임워크인 DUQFL-Prox를 제안한다. 고정된 로컬 옵티마이저를 사용하는 대신, 각 클라이언트는 적응형 unfolded SPSA 업데이트를 수행하며, proximal term은 로컬 모델을 글로벌 모델에 가깝게 유지한다. 경량 컨트롤러는 집계 후 성능을 개선하기 위해 단계별 최적화 매개변수를 학습한다. 금융 사기 탐지 및 유전체 분류 작업에 대한 실험은 DUQFL-Prox가 표준 QFL(양자 연합 학습) 베이스라인 대비 안정성, 일반화, 클라이언트 공정성을 개선함을 보여준다. 결과는 deep-unfolded 양자 연합 학습이 이질적인 분산 환경에서 더 신뢰할 수 있고 공정한 지능형 서비스를 지원할 수 있음을 시사한다.