Resumen: El aprendizaje federado cuántico (QFL) se ha introducido recientemente para habilitar una capacitación del modelo de aprendizaje automático cuántico (QML) de preservación de la privacidad (QML) en procesadores cuánticos (clientes). A pesar de los recientes esfuerzos de investigación, los marcos QFL existentes se centran predominantemente en sistemas unimodales, lo que limita su aplicabilidad a tareas del mundo real que a menudo involucran modalidades múltiples. Para llenar este vacío significativo, presentamos por primera vez un enfoque multimodal novedoso específicamente adaptado para el entorno QFL con la fusión intermedia usando enredo cuántico. Además, para abordar un cuello de botella importante en el QFL multimodal, donde la ausencia de ciertas modalidades durante el entrenamiento puede degradar el rendimiento del modelo, introducimos un mecanismo agnóstico (MMA) de modalidad faltante que aísla los circuitos cuánticos no entrenados, asegurando el entrenamiento estable sin estados corruptos. Los resultados de la simulación demuestran que el método QFL multimodal propuesto con MMA produce una mejora en la precisión del 6,84% en las distribuciones de datos independientes e idénticamente distribuidas (IID) e 7,25% en las distribuciones de datos no IID en comparación con los métodos de vanguardia.
Publicado Originalme en export.arxiv.org El 13 de julio de 2025.
Ver Fuente Original
