Adaptive Aggregation with Two Gains in QFL

Resumo Técnico: A2G-QFL

1. O Problema

O artigo aborda os desafios críticos enfrentados pelo Aprendizado Federado (FL) quando implantado em redes híbridas (quânticas e clássicas) heterogêneas. As abordagens convencionais de agregação, como o FedAvg, falham nesses cenários devido a três fatores principais:

• Heterogeneidade de Qualidade de Serviço (QoS): Variações estocásticas na fidelidade da teletransportação quântica, latência de comunicação e instabilidade dos dispositivos.
• Geometria Não-Euclidiana: Em modelos quânticos (como circuitos quânticos variacionais), os parâmetros (ex: ângulos de rotação) residem em variedades (manifolds) periódicas ou curvas (ex: toros), e não em espaços euclidianos lineares.
• Divergência de Modelos: A agregação euclidiana padrão ignora a curvatura intrínseca do espaço de parâmetros e a confiabilidade variável dos clientes, levando a atualizações globais instáveis, alta variância e convergência lenta ou divergente em ambientes ruidosos.

2. Metodologia: A2G (Adaptive Aggregation with Two Gains)

Os autores propõem o A2G, um framework de agregação dual que regula a atualização global do modelo através de dois ganhos adaptativos:

• Ganho de QoS ($\alpha$):

  • Modula a confiança em cada cliente com base em métricas físicas da camada de comunicação.
  • Calcula um fator de QoS ($q_{i,t}$) combinando:
    • Fidelidade de Teletransporte ($F_{i,t}$): Qualidade do link quântico.
    • Latência ($\tau_{i,t}$): Tempo de comunicação.
    • Instabilidade ($\sigma^2_{i,t}$): Variância do canal.
  • Atribui pesos de confiança ($w_{i,t}$) que amplificam clientes com canais estáveis e de alta fidelidade, enquanto penalizam clientes ruidosos ou lentos.

• Ganho de Geometria ($\beta$):

  • Controla a interpolação entre a agregação puramente euclidiana e a agregação baseada em variedades (Riemanniana).
  • Utiliza mapas exponenciais ($Exp$) e logarítmicos ($Log$) para projetar as atualizações locais no espaço tangente global, corrigindo a curvatura do espaço de parâmetros.
  • A fórmula de atualização global combina o gradiente ponderado por QoS com uma correção geométrica:
    $$\theta_{t+1} = \theta_t - \eta \sum w_{i,t} g_{i,t} + \beta \cdot \Psi(\theta_t, \{\theta_{i,t}\})$$
    Onde $\Psi$ é o termo de correção da variedade.

• Universalidade: O framework é agnóstico ao modelo, recuperando o FedAvg, agregação ponderada por QoS e agregação Riemanniana como casos especiais, sendo aplicável a sistemas clássicos, quânticos e híbridos.

3. Principais Contribuições

1. Framework Dual-Gain Universal: Primeira mecanismo de agregação FL que integra simultaneamente ganhos de QoS (baseados em fidelidade/latência) e ganhos de geometria (baseados em curvatura).
2. Garantias de Convergência: Prova teórica de convergência sob suposições de suavidade e variância limitada, mostrando como o ganho de QoS acelera a convergência e o ganho de geometria corrige o viés de curvatura.
3. Mecanismo de Confiança Consciente de Teletransporte: Formalização de um esquema de ponderação que usa a fidelidade de teletransporte como indicador de confiabilidade do cliente.
4. Estabilização de Modelos Quânticos: Demonstração de que pequenos ganhos de geometria ($\beta \ll 1$) suprimem a deriva dos clientes (client drift) e o viés induzido pela curvatura, superando a média simples.
5. Avaliação Empírica Robusta: Experimentos em um testbed híbrido quântico-clássico demonstrando superioridade em condições de ruído e heterogeneidade.

4. Resultados Experimentais

Os experimentos foram realizados em um ambiente de GPU (NVIDIA T4) utilizando datasets médicos (Breast Cancer Wisconsin e Breast-Lesions-USG) com particionamento não-IID (heterogêneo).

• Impacto do Ganho de Geometria ($\beta$):

  • O valor $\beta = 0.05$ obteve o melhor desempenho, alcançando 68,25% de precisão máxima.
  • Isso representa uma melhoria relativa de aproximadamente 25% em comparação com o FedAvg padrão ($\beta = 1.0$), que atingiu apenas 54,60% de precisão final sob as mesmas condições.
  • Ganhos de geometria muito altos ($\beta \geq 0.7$) levaram a dinâmicas de aprendizado voláteis e degradação da precisão.

• Robustez ao Ruído:

  • O A2G manteve estabilidade e precisão superiores mesmo sob regimes de ruído de teletransporte elevado (probabilidade de erro de bit-flip $p=0.12$).
  • Configurações com $\beta$ baixo resultaram em menor instabilidade e latência média em comparação ao FedAvg.

• Cenários Não-IID: O método superou consistentemente o baseline FedAvg em configurações de viés de quantidade (quantity-skew) e viés de rótulo (label-skew).

5. Significado e Conclusão

O trabalho apresenta uma solução fundamental para a próxima geração de inteligência distribuída quântica. Ao reconhecer que os parâmetros de modelos quânticos não vivem em espaços lineares e que a comunicação quântica é inerentemente ruidosa, o A2G-QFL oferece:

• Estabilidade: Uma alternativa ao cálculo de gradientes no servidor (que é caro e frágil em QFL), utilizando uma interpolação geométrica eficiente.
• Resiliência: Capacidade de operar em redes com links de teletransporte imperfeitos, filtrando automaticamente clientes com baixa qualidade.
• Generalização: Um framework unificado que pode ser aplicado tanto a redes clássicas heterogêneas quanto a redes quânticas emergentes, estabelecendo um novo padrão para agregação federada em ambientes de alta complexidade.

Em suma, o A2G demonstra que a combinação de consciência de qualidade de serviço (QoS) e consciência geométrica é essencial para viabilizar o aprendizado federado escalável e robusto em infraestruturas quânticas e clássicas mistas.