🤖 machine learning

A Drift Stable Quantum Federated Learning for Intelligent Services

Este artigo propõe o DUQFL-Prox, um framework de aprendizado federado quântico estável ao drift que combina atualizações SPSA desenroladas adaptativas com um termo proximal e um controlador leve para aumentar a estabilidade, a generalização e a equidade entre clientes em serviços inteligentes distribuídos heterogêneos.

Autores originais: Shanika Iroshi Nanayakkara, Shiva Raj Pokhrel

Publicado 2026-07-27

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Shanika Iroshi Nanayakkara, Shiva Raj Pokhrel

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine um mundo onde o seu telefone, o seu smartwatch e o laptop do seu vizinho querem aprender juntos para resolver um grande problema, como detectar uma fraude bancária ou identificar uma característica genética rara. Mas há um porém: nenhum deles quer compartilhar seus dados privados. Eles são como um grupo de detetives que não podem mostrar seus arquivos de casos secretos uns aos outros. Este é o mundo do Aprendizado Federado (Federated Learning), uma maneira inteligente para os computadores aprenderem como um time sem nunca trocar suas notas privadas. Agora, imagine pegar esse esforço de equipe e dar a eles superpoderes do mundo quântico — o reino dos átomos e partículas subatômicas onde as coisas podem estar em muitos lugares ao mesmo tempo. Isso é o Aprendizado Federado Quântico. Ele promete resolver problemas complexos de forma mais rápida e segura, mas é um pouco como tentar reger uma orquestra onde cada músico está tocando em um instrumento instável e barulhento que às vezes esquece as notas. A grande questão que os cientistas estão fazendo é: Como fazemos esses computadores quânticos trabalharem juntos de forma suave, sem que um músico barulhento estrague a música para todos os outros?

Este artigo apresenta um novo capitão de equipe para esta orquestra quântica chamado DUQFL-Prox. Os autores sugerem que a maneira atual de treinar esses modelos quânticos é muito rígida, como forçar cada músico a tocar exatamente as mesmas notas na exata mesma velocidade, independentemente de como seu instrumento está se comportando. Isso frequentemente leva ao "desvio do cliente" (client drift), onde alguns músicos se deixam levar tanto com sua própria prática que acabam saindo do tom, tornando a performance final do grupo bagunçada e injusta. Para consertar isso, os pesquisadores propuseram um sistema onde cada computador quântico (ou "cliente") não apenas segue um roteiro fixo. Em vez disso, eles usam um treinador inteligente e adaptável que observa o progresso do músico em tempo real e ajusta as instruções sobre a marcha.

Pense nisso como um videogame onde a dificuldade se ajusta automaticamente. Se um jogador está com dificuldades, o jogo desacelera; se ele está passando facilmente, o jogo acelera. Neste sistema, o "treinador" (um controlador leve) verifica constantemente o quão bem o modelo quântico local está indo e ajusta os passos de aprendizado. Mas há também uma rede de segurança: uma regra "proximal" que puxa gentilmente o modelo local de volta para o objetivo principal do grupo se ele começar a se desviar demais. É como uma corda elástica que permite explorar, mas evita que você caia no abismo. Os pesquisadores também adicionaram uma regra do "melhor de": em vez de enviar apenas a última versão de seu modelo para o grupo, cada cliente envia de volta a versão que teve o melhor desempenho durante sua sessão de prática, pulando aquelas que ficaram muito bagunçadas ao final.

Quando a equipe testou este novo método em dois desafios muito diferentes — detectar fraude bancária e classificar sequências de DNA — eles encontraram sinais promissores. Nos testes de fraude bancária, que eram complicados porque os casos "ruins" eram muito raros, o DUQFL-Prox não apenas obteve uma pontuação geral alta; ele garantiu que cada cliente (cada banco) tivesse um bom desempenho, não apenas os sortudos. Ele reduziu a lacuna entre o quão bem o modelo se saiu na prática versus o quão bem ele se saiu no mundo real, sugerindo que era menos propenso a ser enganado por padrões falsos. Nos testes de DNA, embora outro método tenha obtido uma pontuação máxima ligeiramente superior, o DUQFL-Prox foi o mais consistente e justo, garantindo que nenhum cliente fosse deixado para trás. Os autores realizaram esses experimentos em simulações de computadores quânticos e até verificaram se os modelos finais poderiam rodar em hardware quântico real e ruidoso da IBM. Os resultados sugerem que esta abordagem adaptável e estável contra o desvio ajuda as equipes quânticas a aprender de forma mais confiável e justa, mesmo quando seus dados são bagunçados e seus instrumentos são um pouco instáveis. Não é uma solução mágica que resolve tudo instantaneamente, mas sugere um caminho para tornar esses serviços quânticos futuristas mais confiáveis para todos.

Resumo Técnico: DUQFL-Prox para Aprendizado Federado Quântico com Estabilidade de Deriva

Declaração do Problema
O Aprendizado Federado Quântico (QFL) permite que clientes distribuídos treinem Redes Neurais Quânticas (QNNs) sem centralizar dados brutos, uma capacidade crítica para serviços inteligentes sensíveis à privacidade, como detecção de fraude bancária e classificação genômica. No entanto, os pipelines de QFL existentes enfrentam desafios significativos em ambientes heterogêneos. A otimização local de QNNs é inerentemente ruidosa, não convexa e sensível a configurações de otimizadores. Quando os dados dos clientes não são independentes e identicamente distribuídos (non-IID), cronogramas de otimização local fixos (por exemplo, SPSA padrão com hiperparâmetros estáticos) frequentemente levam a atualizações locais instáveis, deriva excessiva de clientes e injustiça no desempenho entre os clientes. Além disso, estratégias que excluem clientes "atrasados" (stragglers) para melhorar a eficiência podem introduzir um viés de representatividade, o que é particularmente prejudicial em domínos onde distribuições de dados raras ou específicas de um domínio são cruciais. O problema central é estabilizar as trajetórias de otimização de QNN local em configurações heterogêneas para garantir compatibilidade de agregação, justiça e generalização confiável sem descartar clientes difíceis.

Metodologia: DUQFL-Prox
O artigo propõe o DUQFL-Prox (Aprendizado Federado Quântico com Desdobramento Profundo e Regularização Proximal), um framework projetado para estabilizar o QFL através de uma estrutura de aprendizado bilevel:

Otimização Local com Desdobramento Profundo: Em vez de tratar o treinamento local como uma rotina fixa, o método decompõe o treinamento da QNN local em $K$ blocos de otimização desdobrados. Em cada etapa $k$ , um metacontrolador leve e compartilhado gera hiperparâmetros SPSA (Aproximação Estocástica de Perturbação Simultânea) adaptativos — especificamente a taxa de aprendizado ( $\eta$ ) e a escala de perturbação ( $\delta$ ). Estes são derivados de um vetor de características de estado de otimização ( $z$ ) que inclui o progresso do desdobramento, comportamento da perda, deslocamento de parâmetros e contexto do cliente.
Controle de Deriva Proximal: Para combater a deriva de clientes sob dados non-IID, um termo de regularização proximal é adicionado à função objetivo local. Este termo penaliza o desvio excessivo do modelo global transmitido ( $\theta^{(t)}$ ), garantindo que, enquanto os clientes se adaptam localmente, suas atualizações permaneçam compatíveis com a agregação global. A função objetivo local torna-se $L_i^{prox}(\theta) = L_i(\theta) + \frac{\mu}{2}\|\theta - \theta^{(t)}\|_2^2$ .
Seleção do Melhor Desdobramento Baseada em Validação: Os clientes não necessariamente enviam o estado final de seu treinamento local. Em vez disso, eles avaliam a perda de validação em todos os estados desdobrados e enviam o checkpoint ( $\theta_{i, \star}$ ) que minimiza a perda de validação. Isso evita que atualizações posteriores excessivamente agressivas degradem o modelo global.
Meta-Objetivo Externo e Adaptação do Controlador: O controlador compartilhado não é estático; ele é periodicamente refinado usando um meta-objetivo externo avaliado no desempenho de validação global pós-agregação. Esta meta-perda inclui termos para perda de validação global, justiça ao nível do cliente, custo de comunicação e estabilidade de otimização. Os parâmetros do controlador são atualizados usando um passo SPSA de loop externo, efetivamente aprendendo "como otimizar" as QNNs locais para maximizar o desempenho global e justo.

Principais Contribuições

Framework Adaptativo: A introdução do DUQFL-Prox, que modela o treinamento de QNN local como um processo de desdobramento profundo adaptativo de múltiplas etapas, em vez de uma rotina de otimizador fixa.
SPSA Dirigido por Controlador: Um mecanismo onde um controlador compartilhado gera dinamicamente taxas de aprendizado e escalas de perturbação específicas de cada etapa baseadas nos estados de otimização local, permitendo a adaptação entre clientes e rodadas de comunicação.
Controle de Deriva e Justiça: A integração de regularização proximal e seleção de melhor desdobramento baseada em validação para reduzir a deriva de clientes, prevenir a especialização excessiva e melhorar a compatibilidade de agregação.
Estrutura de Aprendizado Bilevel: Um mecanismo de adaptação de loop externo que alinha o comportamento de otimização local com o desempenho de validação global pós-agregação, aprendendo a otimizar o próprio processo de otimização.

Resultados Experimentais
O framework foi avaliado em duas tarefas de serviço inteligente: detecção de Fraude de Conta Bancária (BAF) (altamente desbalanceada, non-IID) e classificação Genômica.

Dataset BAF: O DUQFL-Prox alcançou a maior acurácia global final (~~0,65) e a maior acurácia média de teste do cliente (~~0,64), superando significativamente o FedProx-QFL e o Default-QFL. Crucialmente, reduziu a lacuna entre treino e teste para quase zero e alcançou a menor lacuna de justiça entre clientes (~0,019), indicando um desempenho equilibrado entre os clientes. Também demonstrou um comportamento mais estável em épocas tardias em termos de ROC-AUC, PR-AUC e MCC comparado aos baselines.
Dataset Genome: Embora o FedProx-QFL tenha alcançado uma acurácia global final ligeiramente superior (~~0,85), o DUQFL-Prox alcançou a maior acurácia média de teste do cliente (~~0,80), a menor lacuna entre treino e teste e a menor lacuna de justiça. Isso destaca sua superioridade em generalização e estabilidade entre clientes heterogêneos.
Validação de Hardware: Checkpoints globais selecionados treinados via DUQFL-Prox foram executados em hardware quântico real da IBM. Os resultados mostraram que os checkpoints do DUQFL-Prox mantiveram uma trajetória mais estável no hardware real em comparação com o baseline Default-QFL, retendo o alinhamento com os resultados do simulador, apesar do ruído do dispositivo.

Significância e Alegações
O artigo afirma que o DUQFL-Prox oferece uma solução robusta para serviços inteligentes que exigem privacidade, justiça e confiabilidade em ambientes distribuídos heterogêneos. Ao estabilizar as trajetórias de otimização local através de desdobramento profundo e controle proximal, o framework permite que clientes difíceis ou com recursos limitados contribuam com atualizações úteis sem serem excluídos. Os autores posicionam o trabalho não como uma garantia de convergência total para sistemas QFL não convexos arbitrários, mas como uma caracterização de estabilidade, controle de deriva e comportamentos de meta-otimização que apoiam serviços inteligentes mais confiáveis e justos. Os resultados sugerem que o aprendizado federado quântico com desdobramento profundo pode gerenciar efetivamente os compromissos entre adaptabilidade local e consistência global em ambientes quânticos ruidosos.

Mais como este