L'article présente QFedAgent, un cadre d'apprentissage fédéré personnalisé hybride quantique-classique conçu pour la reconnaissance d'activités multi-agents. Il relève le défi des flux de capteurs multimodaux hétérogènes et non-IID en intégrant un module de fusion de circuits quantiques variationnels qui modélise les interactions accéléromètre-gyroscope par encodage d'état quantique.
- L'approche n'utilise que 72 paramètres de rotation quantique par rapport à 33K dans la fusion basée sur des perceptrons multicouches classiques, atteignant une réduction totale des paramètres d'environ 10x.
- Les expériences sur le jeu de données OPPORTUNITY sous des partitions non-IID basées sur les sujets démontrent une précision moyenne de test de 97,7 %.
- Les résultats confirment que la fusion quantique efficace en paramètres reste compétitive par rapport aux bases de référence fédérées conventionnelles.
Le cadre offre une solution pour les applications de capteurs robotiques sensibles à la vie privée en réduisant considérablement les coûts de communication et la surcharge des paramètres tout en maintenant une haute précision.