ترجمه فارسی مقاله مدل انتشار برای برنامه ریزی: یک مرور نظام مند بر مطالعات قبلی

چکیده

Quantum computing promises to revolutionize machine learning, offering significant efficiency gains in tasks such as clustering and distance estimation. Additionally, it provides enhanced security through fundamental principles like the measurement postulate and the no-cloning theorem, enabling secure protocols such as quantum teleportation and quantum key distribution. While advancements in secure quantum machine learning are notable, the development of secure and distributed quantum analogues of kernel-based machine learning techniques remains underexplored. In this work, we present a novel approach for securely computing common kernels, including polynomial, radial basis function (RBF), and Laplacian kernels, when data is distributed, using quantum feature maps. Our methodology introduces a robust framework that leverages quantum teleportation to ensure secure and distributed kernel learning. The proposed architecture is validated using IBM’s Qiskit Aer Simulator on various public datasets.

چکیده به فارسی (ترجمه ماشینی)

محاسبات کوانتومی وعده می دهد که در یادگیری ماشین متحول شود و در کارهایی مانند خوشه بندی و برآورد فاصله ، بهره وری قابل توجهی را ارائه دهد.علاوه بر این ، این امنیت پیشرفته را از طریق اصول اساسی مانند فرضیه اندازه گیری و قضیه بدون کلاس ، فراهم می کند و پروتکل های ایمن مانند حمل و نقل کوانتومی و توزیع کلید کوانتومی را امکان پذیر می کند.در حالی که پیشرفت در یادگیری ماشین کوانتومی ایمن قابل توجه است ، توسعه آنالوگ های کوانتومی ایمن و توزیع شده تکنیک های یادگیری ماشین مبتنی بر هسته باقی مانده است.در این کار ، ما یک رویکرد جدید برای محاسبه ایمن هسته های مشترک ، از جمله عملکرد چند جمله ای ، شعاعی (RBF) و هسته های لاپلاسی ، هنگام توزیع داده ها ، با استفاده از نقشه های ویژگی کوانتومی ارائه می دهیم.روش ما یک چارچوب قوی را معرفی می کند که از راه دور کوانتومی برای اطمینان از یادگیری هسته ایمن و توزیع شده استفاده می کند.معماری پیشنهادی با استفاده از شبیه ساز Qiskit Aer IBM در مجموعه داده های مختلف عمومی تأیید می شود.