[论文解读] Towards Quantum Federated Learning

Chaoyu Ren, Rudai Yan+10 more|arXiv (Cornell University)|Jun 16, 2023

Quantum Computing Algorithms and Architecture被引用 12

一句话总结

本文综述新兴领域量子联邦学习（QFL），提供全面的分类法、前沿原则、挑战与未来方向。

ABSTRACT

Quantum Federated Learning (QFL) is an emerging interdisciplinary field that merges the principles of Quantum Computing (QC) and Federated Learning (FL), with the goal of leveraging quantum technologies to enhance privacy, security, and efficiency in the learning process. Currently, there is no comprehensive survey for this interdisciplinary field. This review offers a thorough, holistic examination of QFL. We aim to provide a comprehensive understanding of the principles, techniques, and emerging applications of QFL. We discuss the current state of research in this rapidly evolving field, identify challenges and opportunities associated with integrating these technologies, and outline future directions and open research questions. We propose a unique taxonomy of QFL techniques, categorized according to their characteristics and the quantum techniques employed. As the field of QFL continues to progress, we can anticipate further breakthroughs and applications across various industries, driving innovation and addressing challenges related to data privacy, security, and resource optimization. This review serves as a first-of-its-kind comprehensive guide for researchers and practitioners interested in understanding and advancing the field of QFL.

研究动机与目标

• 界定量子联邦学习（QFL）的范围与动机。
• 提供对QFL原理、技术与应用的整体理解。
• 识别将量子技术与联邦学习结合时的挑战与机会。
• 提出基于特征与所使用的量子技术的QFL技术分类。
• 概述QFL的未来方向与尚待解决的研究问题。

提出的方法

• 提出一种独特的QFL技术分类法，按其特征和所采用的量子技术进行分类。
• 综合当前的最前沿研究，以映射QFL的原理、技术与应用。
• 讨论在量子计算（QC）与联邦学习（FL）跨学科领域中的挑战、机遇与未解的研究问题。

实验结果

研究问题

• RQ1 支撑量子联邦学习的核心原理与体系结构是什么？
• RQ2 哪种分类法最能涵盖QFL技术与量子方法的多样性？
• RQ3 在不同行业实施QFL时的主要挑战与机遇是什么？
• RQ4 未来方向和待解决的研究问题如何推动QFL的发展？

主要发现

• QFL是一个新兴的跨学科领域，将量子计算与联邦学习结合起来，旨在提升隐私、安全性和效率。
• 提出了一种QFL技术分类法，按其特征和所采用的量子方法进行组织。
• 该领域在将量子技术与联邦学习结合方面面临挑战与机遇。
• 该综述概述未来方向与待解问题，以指导研究人员和从业者。