본 논문은 다중 에이전트 활동 인식을 위해 설계된 하이브리드 양자-클래식 개인화 연방 학습 프레임워크인 QFedAgent를 소개합니다. 이는 가속도계와 자이로스코프의 상호작용을 양자 상태 인코딩을 통해 모델링하는 변분 양자 회로 융합 모듈을 통합하여 이질적이고 비IID한 멀티모달 센서 스트림의 과제를 해결합니다.

  • 이 접근 방식은 고전적인 다층 퍼셉트론 기반 융합의 33K와 비교하여 단 72개의 양자 회전 파라미터만 사용하여 총 파라미터 약 10배 감소를 달성합니다.
  • 피험자 기반 비IID 분할 하에서 OPPORTUNITY 데이터셋에 대한 실험은 평균 테스트 정확도 97.7%를 보여줍니다.
  • 이 결과는 파라미터 효율적인 양자 융합이 기존 연방 베이스라인과 경쟁력 있음을 확인합니다.

이 프레임워크는 높은 정확도를 유지하면서 통신 비용과 파라미터 오버헤드를 크게 줄여 프라이버시에 민감한 로봇 센싱 애플리케이션에 대한 해결책을 제공합니다.