論文では、マルチエージェント活動認識向けに設計されたハイブリッド量子古典パーソナライズド連合学習フレームワークであるQFedAgentを紹介しています。これは、加速度計とジャイロの相互作用を量子状態符号化を通じてモデル化する変分量子回路融合モジュールを組み込むことで、異種かつ非IIDなマルチモーダルセンサーストリームの課題に対処します。

  • この手法は、古典的な多層パーセプトロンベースの融合における33Kと比較してわずか72個の量子回転パラメータのみを使用し、合計で約10倍のパラメータ削減を実現しています。
  • 被験者ベースの非IID分割下でのOPPORTUNITYデータセットの実験では、平均テスト精度97.7%を示しました。
  • この結果は、パラメータ効率的な量子融合が従来の連合ベースラインと競争力があることを確認しています。

このフレームワークは、高い精度を維持しながら通信コストとパラメータオーバーヘッドを大幅に削減することで、プライバシーに敏感なロボティクスセンサーアプリケーションに対する解決策を提供します。