FedQML-Edge는 대역폭이 제한되고 프라이버시에 민감한 도로변 연합학습 환경을 위한 양자 특징 스케치 파이프라인으로, 커넥티드·자율주행 차량 회랑을 지원하는 도로변 유닛(RSU)이 협력 기동을 보상·유예·비활성화할지 결정할 수 있는 경량 모델을 제공한다. 각 RSU는 교통 상태 요약을 구성해 양자 컴퓨터로 회로 입력을 전송하며, 파울리 기댓값이 비선형 스케치를 형성해 로지스틱 분류기로 처리되고, 원본 관측치·차량 기록·이벤트 로그·양자 스케치는 비공개로 유지한 채 분류기 업데이트만 집계자와 공유된다. NGSIM 궤적, 센싱 노이즈를 포함한 SUMO 예측 게이팅, IBM 퀀텀 하드웨어로 평가한 결과, 파울리 스케치는 NGSIM에서 가장 강력한 대응 고전적 스케치 대비 테스트 로그 손실을 14.4% 줄였고, SUMO에서는 라운드당 통신량을 7~28배 줄이면서도 안정 구간 재현율에서 더 큰 MLP에 근접하는 성능을 보였다.
- •도로변 유닛(RSU)이 협력 기동 보상 여부를 결정하는 연합 양자 특징 스케치 파이프라인 제안
- •파울리 기대값 기반 비선형 스케치를 로지스틱 분류기로 처리, 분류기 업데이트만 공유해 프라이버시 보호
- •NGSIM 굤적 데이터에서 고전적 스케치 대비 테스트 로그 손실 14.4% 감소
- •SUMO 시뮬레이션에서 라운드당 통신량 7~28배 절감하면서 큰 MLP에 근접한 안정 구간 재현율 달성
- •IBM 퀴텀 실제 하드웨어에서 검증
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
FedQML-Edge: Compact Quantum Feature Sketches for Communication-Constrained Roadside Federated Learning
- 1.노변 장치(RSU)용 연합 양자 특징 스케치 파이프라인 FedQML-Edge 제안
- 2.Pauli 기대값 스케치가 NGSIM 데이터에서 최강 고전 스케치 대비 테스트 로그손실 14.4% 감소
- 3.SUMO 시뮬레이션에서 대형 MLP에 근접한 성능을 라운드당 7~28배 적은 통신량으로 달성
- 4.원본 관측·차량 기록은 로컬에 유지하고 분류기 업데이트만 공유해 프라이버시 보장, IBM 양자HW 검증
왜 중요한가?
대역폭·프라이버시 제약이 큰 자율주행 도로 인프라에서 양자 특징 스케치가 통신량을 수십 배 줄이면서 고전 기법과 경쟁 가능함을 실제 교통 데이터와 IBM 양자 하드웨어로 보인 사례로, 엣지 연합학습에 양자 컴퓨팅을 접목하는 실용적 경로를 제시한다.
언급 프로젝트
본문 미리보기
arXiv:2607.28799v1 Announce Type: new Abstract: Roadside units (RSUs) supporting connected and autonomous vehicle corridors need compact models to decide when cooperative maneuvers should be rewarded, deferred, or disabled. Raw sensor streams and neural network weight checkpoints are poorly suited to bandwidth-limited, privacy-sensitive roadside learning. This paper presents $\texttt{FedQML-Edge}$, a federated quantum feature-sketching pipeline for traffic-stability gating. Each RSU constructs
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:24AI 초안
