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.