Квантовое федеративное обучение: архитектурные элементы и будущие направления
Federated learning (FL) позволяет обучать модели совместно без перемещения личных данных на центральный сервер. Однако классический FL имеет ограничения, такие как высокие требования к вычислительным мощностям, риски для конфиденциальности данных, большой объём трафика при обновлении моделей и неоднородность данных. В статье предлагается гибридная парадигма — квантовое федеративное обучение (QFL), которая использует квантовые вычисления для решения проблем классического FL и обеспечивает быстрые вычисления, сохраняя классическую структуру. QFL может улучшить эффективность коммуникации, безопасность и производительность в различных областях, таких как здравоохранение и сетевые технологии.
arXiv: 2510.17642
