L'article présente QFedAgent, un cadre d'apprentissage fédéré personnalisé hybride quantique-classique conçu pour la reconnaissance d'activités multi-agents. Il répond aux défis des flux de capteurs multimodaux hétérogènes et non-IID en intégrant un module de fusion par circuit quantique variationnel qui modélise les interactions accéléromètre-gyroscope via l'encodage d'état quantique et l'intrication.

  • Le module de fusion quantique nécessite seulement 72 paramètres de rotation par rapport à 33K dans la fusion basée sur un perceptron multicouche classique, atteignant une réduction totale des paramètres d'environ 10x.
  • Les expériences sur le dataset 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.

Cette approche offre une solution pour les applications de capteurs robotiques sensibles à la vie privée en réduisant significativement les coûts de communication et la surcharge des paramètres tout en maintenant une haute précision.