Evidential Quantum Vertical Federated Learning

यहाँ शोध पत्र "Evidential Quantum Vertical Federated Learning" (eviQVFL) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

संदर्भ:

• वर्टिकल फेडरेटेड लर्निंग (VFL): VFL में, कई पक्ष (parties) नमूनों के एक ही सेट के विभिन्न फीचर्स (features) रखते हैं (जैसे, एक बैंक और एक ई-कॉमर्स प्लेटफॉर्म ग्राहक डेटा साझा करते हैं)। लक्ष्य कच्चे डेटा को साझा किए बिना एक संयुक्त मॉडल को प्रशिक्षित करना है।
• क्वांटम फेडरेटेड लर्निंग (QFL): जबकि QFL पर शोध किया गया है, मौजूदा शोध मुख्य रूप से हॉरिजॉन्टल FL (HFL) पर केंद्रित है, जहाँ पक्ष समान फीचर्स लेकिन अलग नमूनों को साझा करते हैं।
• क्वांटम VFL में चुनौतियाँ:
  1. गोपनीयता (Privacy): पक्षों और एक सर्वर के बीच मध्यवर्ती क्वांटम अवस्थाओं (intermediate quantum states) को प्रसारित करने से सूचना रिसाव का जोखिम होता है यदि इसे सही ढंग से प्रबंधित नहीं किया गया।
  2. बैरन प्लेटो (Barren Plateaus): क्रॉस-पार्टी फ्यूजन के लिए गहरे वेरिएशनल क्वांटम सर्किट्स (VQCs) को प्रशिक्षित करने से अक्सर "बैरन प्लेटो" की समस्या उत्पन्न होती है, जहाँ क्यूबिट संख्या के साथ ग्रेडिएंट तेजी से लुप्त हो जाते हैं, जिससे प्रशिक्षण असंभव हो जाता है।
  3. सूचना की हानि (Information Loss): ट्रांसमिशन से पहले पार्टी स्तर पर क्वांटम अवस्थाओं को मापने से क्वांटम सुसंगतता (coherence) नष्ट हो जाती है और सूचना की हानि होती है।
  4. जटिलता (Complexity): अनिश्चित सूचना को फ्यूज करने के लिए क्लासिकल एविडेंस थ्योरी (डेम्पस्टर-शाफर थ्योरी) में परिकल्पनाओं के पावर सेट (power set) के संबंध में घातांकीय कम्प्यूटेशनल जटिलता ($2^n$) होती है।

2. कार्यप्रणाली: eviQVFL फ्रेमवर्क (Methodology: The eviQVFL Framework)

लेखक eviQVFL प्रस्तावित करते हैं, जो एक हाइब्रिड क्लासिकल-क्वांटम फ्रेमवर्क है जिसे VFL के लिए विशेष रूप से तैयार किया गया है। यह उपरोक्त चुनौतियों का समाधान करने के लिए एविडेंस थ्योरी को क्वांटम मशीन लर्निंग के साथ एकीकृत करता है।

A. समग्र वास्तुकला (Overall Architecture)

इस फ्रेमवर्क में $K$ पक्ष और एक केंद्रीय सर्वर शामिल है।

1. पार्टी-साइड प्रोसेसिंग (स्थानीय):

   • इनपुट: स्थानीय फीचर वेक्टर्स $x_{i,k}$।
   • डायमेंशन रिडक्शन: एक टेंसर-ट्रेन नेटवर्क (TTN) उच्च-आयामी क्लासिकल फीचर्स को कम-आयामी वेक्टर में बदल देता है। यह अभिव्यक्ति क्षमता बनाए रखते हुए पैरामीटर गणना को कम करता है।
   • क्वांटम एनकोडिंग: कम किए गए फीचर्स को एंगल एनकोडिंग (रोटेशन-Y गेट्स) का उपयोग करके एक क्वांटम अवस्था में एनकोड किया जाता है।
   • लोकल इवोल्यूशन: एक वेरिएशनल क्वांटम सर्किट (VQC) एनकोड की गई अवस्था को प्रोसेस करता है। इसका आउटपुट एक क्वांटम अवस्था $|\psi_{i,k}\rangle$ है जो वर्गीकरण के संबंध में स्थानीय "साक्ष्य" (बेसिक बिलीफ असाइनमेंट) का प्रतिनिधित्व करती है।
   • ट्रांसमिशन: मापने के बजाय, पार्टी क्वांटम टेलीपोर्टेशन के माध्यम से सर्वर को क्वांटम अवस्था $|\psi_{i,k}\rangle$ भेजती है। यह पूर्ण क्वांटम जानकारी को सुरक्षित रखता है और गोपनीयता सुनिश्चित करता है (कोई कच्चा डेटा या क्लासिकल माप एक्सपोज नहीं होता है)।

2. सर्वर-साइड प्रोसेसिंग (ग्लोबल फ्यूजन):

   • फ्यूजन: सर्वर सभी $K$ पक्षों से क्वांटम अवस्थाएं प्राप्त करता है। यह उन्हें एक नॉन-पैरामेट्रिक एविडेंशियल फ्यूजन सर्किट का उपयोग करके फ्यूज करता है।
   • तंत्र (Mechanism): यह सर्किट मल्टी-कंट्रोल्ड X गेट्स का उपयोग करके एविडेंस थ्योरी के कंजंक्टिव कॉम्बिनेशन रूल (CCR) को लागू करता है।
     • गणितीय रूप से, यह विभिन्न पक्षों से साक्ष्य के प्रतिच्छेदन (intersection) को अंतिम क्वांटम अवस्था के आयामों (amplitudes) पर मैप करता है।
     • महत्वपूर्ण रूप से, यह फ्यूजन लेयर फिक्स्ड (नॉन-ट्रेनेबल) और उथली (shallow) है, जो उन गहरे पैरामीटराइज्ड सर्किट्स की आवश्यकता को समाप्त करती है जो बैरन प्लेटो का कारण बनते हैं।
   • इन्फरेंस (Inference): फ्यूज की गई अवस्था को प्रोजेक्टिव ऑपरेटर्स का उपयोग करके मापा जाता है। परिणामी संभावनाएँ एविडेंस थ्योरी में प्लाउज़िबिलिटी फंक्शन (Plausibility Function) के अनुरूप होती हैं, जिसे फिर अंतिम भविष्यवाणी उत्पन्न करने के लिए सॉफ्टमैक्स (Softmax) फंक्शन के माध्यम से पारित किया जाता है।

B. सैद्धांतिक आधार (Theoretical Foundation)

• एविडेंस-क्वांटम समानता (Evidence-Quantum Equivalence): शोध पत्र इस तथ्य का लाभ उठाता है कि एक $n$-क्यूबिट सिस्टम में $2^n$ बेस अवस्थाएं होती हैं, जो स्वाभाविक रूप से एविडेंस थ्योरी के $2^n$ तत्वों के पावर सेट से मेल खाती हैं। यह एविडेंस फ्यूजन की घातांकीय जटिलता को क्वांटम सुपरपोजिशन में कुशलतापूर्वक संभालने की अनुमति देता है।
• गोपनीयता: क्वांटम टेलीपोर्टेशन का उपयोग करके, सर्वर अवस्था को पुनर्गठित करता है बिना मध्यवर्ती अवस्थाओं को कभी मापे, जो नो-क्लोनिंग थ्योरम का पालन करता है और डेटा रिसाव को रोकता है।

3. प्रमुख योगदान (Key Contributions)

1. प्रथम क्वांटम VFL फ्रेमवर्क: eviQVFL प्रस्तावित किया गया, जो विशेष रूप से वर्टिकल फेडरेटेड लर्निंग सेटिंग के लिए डिज़ाइन किया गया पहला QFL फ्रेमवर्क है।
2. हाइब्रिड आर्किटेक्चर: कुशल स्थानीय फीचर निष्कर्षण और एनकोडिंग के लिए TTN-VQC आर्किटेक्चर पेश किया गया, जो पैरामीटर दक्षता और प्रतिनिधित्व शक्ति के बीच संतुलन बनाता है।
3. नॉन-पैरामेट्रिक एविडेंशियल फ्यूजन: मल्टी-पार्टी सूचना को फ्यूज करने के लिए एविडेंस थ्योरी (डेम्पस्टर-शाफर) पर आधारित एक फिक्स्ड-डेप्थ क्वांटम सर्किट डिजाइन किया गया। यह उन गहरे VQCs से होने वाले बैरन प्लेटो की समस्या से बचता है जो आमतौर पर प्रयुक्त होते हैं।
4. गोपनीयता-संरक्षित ट्रांसमिशन: स्थानीय साक्ष्य अवस्थाओं को सर्वर तक स्थानांतरित करने के लिए क्वांटम टेलीपोर्टेशन का उपयोग किया गया, यह सुनिश्चित करते हुए कि स्थानीय फीचर्स और मध्यवर्ती आउटपुट अंतिम फ्यूजन तक निजी और बिना मापे रहें।
5. सैद्धांतिक विश्लेषण: प्रमाण प्रदान किए गए जो दिखाते हैं कि संयुक्त मॉडल की अनुमान त्रुटि (approximation error) सभी पक्षों के कुल क्यूबिट्स की संख्या के साथ घटती है, न कि व्यक्तिगत पार्टी संसाधनों द्वारा सीमित होती है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने चार डेटासेट्स पर eviQVFL का मूल्यांकन किया: MNIST, FashionMNIST, Breast Cancer Wisconsin, और Credit Card Fraud Detection।

• बेसलाइन्स (Baselines): क्लासिकल एवरेज, क्लासिकल फ्यूजन और विभिन्न क्वांटम बेसलाइन्स (जिसमें "मेज़र-देन-एवरेज" और "मेज़र-देन-VQC" शामिल हैं) के विरुद्ध तुलना की गई।
• प्रदर्शन (Performance):
  • सटीकता (Accuracy): eviQVFL ने सभी डेटासेट्स में सभी क्लासिकल और क्वांटम बेसलाइन्स की तुलना में लगातार उच्च वर्गीकरण सटीकता प्राप्त की।
  • प्रशिक्षण क्षमता (Trainability): "टेलीपोर्टेड-देन-VQC" बेसलाइन (जिसने फ्यूजन के लिए एक ट्रेनेबल VQC का उपयोग किया और बैरन प्लेटो से ग्रस्त हुआ) के विपरीत, eviQVFL स्थिर रूप से प्रशिक्षित हुआ और तेजी से अभिसरित (converge) हुआ।
  • लॉस (Loss): हालांकि क्वांटम आउटपुट के लिए क्रॉस-एन्ट्रॉपी लॉस के सैद्धांतिक निचले स्तर के कारण क्वांटम मॉडल्स में उच्च लॉस मान दिखाई दिए, फिर भी eviQVFL ने क्वांटम मॉडल्स के बीच सबसे कम लॉस प्राप्त किया।
• विशिष्ट निष्कर्ष:
  • ब्रेस्ट कैंसर और क्रेडिट कार्ड फ्रॉड कार्यों (टेबुलर डेटा) में, eviQVFL ने "मेज़र-देन-VQC" बेसलाइन को काफी पीछे छोड़ दिया, जो बैरन प्लेटो के कारण सीखने में विफल रहा।
  • फ्रेमवर्क ने प्रदर्शित किया कि सभी प्रतिभागियों के संयुक्त क्वांटम संसाधनों का उपयोग करने से स्थानीय मॉडलों को औसत करने की तुलना में बेहतर प्रतिनिधित्व क्षमता प्राप्त होती है।

5. महत्व (Significance)

• VFL में बैरन प्लेटो का समाधान: एक ट्रेनेबल फ्यूजन लेयर को सैद्धांतिक रूप से आधारित नॉन-पैरामेट्रिक एविडेंशियल सर्किट से बदलकर, यह शोध पत्र बड़े पैमाने पर क्वांटम फेडरेटेड लर्निंग की प्रशिक्षण समस्याओं के लिए एक व्यावहारिक समाधान प्रदान करता है।
• उन्नत गोपनीयता: क्वांटम टेलीपोर्टेशन का उपयोग क्लासिकल VFL की तुलना में अधिक मजबूत गोपनीयता गारंटी प्रदान करता है, जो अक्सर महंगे कंप्यूटेशनल होमोमोर्फिक एन्क्रिप्शन जैसे जटिल एन्क्रिप्शन स्कीम्स पर निर्भर करता है।
• सिद्धांत और व्यवहार को जोड़ना: यह कार्य एविडेंस थ्योरी (अनिश्चितता और फ्यूजन को संभालने के लिए) को क्वांटम कंप्यूटिंग (कुशल अवस्था हेरफेर के लिए) के साथ सफलतापूर्वक एकीकृत करता है, जो एक नया इंटरप्रिटेबल और रोबस्ट क्वांटम मशीन लर्निंग प्रतिमान प्रदर्शित करता है।
• स्केलेबिलिटी: फ्रेमवर्क सुझाव देता है कि VFL में क्वांटम लाभ सीमित स्थानीय संसाधनों के साथ भी प्राप्त किया जा सकता है, क्योंकि ग्लोबल मॉडल सभी प्रतिभागी पक्षों की संयुक्त क्वांटम क्षमता का लाभ उठाता है।

संक्षेप में, eviQVFL वर्टिकल डेटा विभाजन की विशिष्ट बाधाओं को संबोधित करके क्वांटम मशीन लर्निंग में एक महत्वपूर्ण कदम है, जो एक मजबूत, निजी और प्रशिक्षित समाधान प्रदान करता है जो मौजूदा क्लासिकल और क्वांटम दृष्टिकोणों से बेहतर प्रदर्शन करता है।