Neue Methode A2G verbessert Federated Learning in quantenbasierten Netzwerken

Federated Learning (FL) in Netzwerken, die sowohl klassische als auch quantenfähige Geräte verbinden, leidet häufig unter stark variierenden Clientqualitäten, unbeständiger Teleportationsgenauigkeit, Gerätestabilitätsproblemen und geometrischen Unterschieden zwischen lokalen und globalen Modellen. Klassische Aggregationsregeln, die auf euklidische Topologien und gleichmäßige Kommunikationszuverlässigkeit setzen, sind daher für die neuen quantenbasierten Federated‑Learning‑Systeme oft ungeeignet.

In dem neuen Beitrag wird das Konzept A2G (Adaptive Aggregation with Two Gains) vorgestellt. Dieses Dual‑Gain‑Framework steuert die geometrische Mischung der Modelle über einen Geometry‑Gain und gewichtet die Wichtigkeit der Clients mit einem QoS‑Gain, der aus Teleportations‑Fidelity, Latenz und Instabilität abgeleitet wird. Die Autoren entwickeln eine neue Update‑Regel, zeigen Konvergenzgarantien unter Annahmen zu Glattheit und begrenzter Varianz und demonstrieren, dass A2G als Spezialfall FedAvg, QoS‑bewusste Mittelung und manifoldbasierte Aggregation zurückführt.

Experimentelle Ergebnisse auf einem hybriden Quantum‑Classical‑Testbett belegen, dass A2G die Stabilität erhöht und die Genauigkeit in heterogenen und verrauschten Umgebungen deutlich verbessert. Damit bietet die Methode einen vielversprechenden Ansatz, um die Leistungsfähigkeit von Federated Learning in der zunehmend quantenbasierten Kommunikationslandschaft zu steigern.