В статье представлен QFedAgent, гибридная квантово-классическая система персонализированного федеративного обучения, предназначенная для распознавания активности мультиагентных систем. Она решает проблемы гетерогенных и не-IID мультимодальных потоков данных с датчиков путем интеграции модуля слияния вариационных квантовых цепей, который моделирует взаимодействия акселерометра и гироскопа через кодирование квантового состояния.

  • Подход использует всего 72 параметра квантового вращения по сравнению с 33K в классическом слиянии на основе многослойного перцептрона, что обеспечивает примерно 10-кратное общее сокращение параметров.
  • Эксперименты на наборе данных OPPORTUNITY при субъектно-ориентированных не-IID разбиениях демонстрируют среднюю точность тестирования 97.7%.
  • Результаты подтверждают, что параметрически эффективное квантовое слияние остается конкурентоспособным по сравнению с традиционными базовыми методами федеративного обучения.

Система предлагает решение для приложений робототехнического сенсинга, чувствительных к конфиденциальности, за счет значительного снижения затрат на связь и параметрических накладных расходов при сохранении высокой точности.