论文精选

量子环全归约:分布式学习的通信与隐私优势

Quantum ring all-reduce: communication and privacy advantages for distributed learning

精选理由

这篇论文讲怎么用量子通信让分布式训练既省带宽又有信息论隐私保护,比经典协议通信量减半,梯度检测上还有指数级优势。

AI 摘要

该论文提出量子环全归约(quantum ring all-reduce),利用预共享纠缠和超密编码,将逐链路在线通信量降低至最优因子2倍。协议通过验证纠缠实现可组合的ε安全聚合,仅需2倍GHZ副本开销,提供经典协议无法实现的信息论隐私。在梯度冲突检测中,对于GapIP_τ问题,量子优势在边际参数上呈二次方改进:需Õ(τ⁻¹ log P)量子比特 vs Õ(min(τ⁻², P))经典比特。对于TieAudit_ε问题,量子优势呈指数级分离:仅需O(ε⁻² log P)量子比特,而经典需Ω(√P)比特。

AI 翻译 · 中文

该论文提出量子环全归约(quantum ring all-reduce),利用预共享纠缠和超密编码,将逐链路在线通信量降低至最优因子2倍。协议通过验证纠缠实现可组合的ε安全聚合,仅需2倍GHZ副本开销,提供经典协议无法实现的信息论隐私。在梯度冲突检测中,对于GapIP_τ问题,量子优势在边际参数上呈二次方改进:需Õ(τ⁻¹ log P)量子比特 vs Õ(min(τ⁻², P))经典比特。对于TieAudit_ε问题,量子优势呈指数级分离:仅需O(ε⁻² log P)量子比特,而经典需Ω(√P)比特。

arXiv cs.LGMachine learning models have scaled to unprecedented sizes, making training across distributed devices the de facto standard in the field. In this work, we explore how quantum communications can make distributed training