Cross-Device Federated Learning bezeichnet ein Verfahren des verteilten maschinellen Lernens, bei dem eine große Zahl dezentraler Endgeräte gemeinsam an einem übergeordneten Modell arbeitet. Zu diesen Geräten können Smartphones, Tablets, Wearables, Fahrzeuge, industrielle Sensoren oder Komponenten des Internet of Things gehören. Die auf den Geräten erzeugten Trainingsdaten werden nicht in einer zentralen Datenbank zusammengeführt. Stattdessen führt jedes ausgewählte Gerät lokale Berechnungen durch und übermittelt lediglich eine daraus abgeleitete Modellaktualisierung an eine koordinierende Instanz.

Das entscheidende Merkmal besteht somit nicht darin, dass Daten vollständig unsichtbar oder automatisch anonym werden. Entscheidend ist zunächst nur, dass die Rohdaten auf dem jeweiligen Endgerät verbleiben. Der Server erhält beispielsweise veränderte Modellparameter, Gradienten oder andere verdichtete Lerninformationen. Aus diesen Beiträgen erzeugt er eine neue Version des globalen Modells, die in einer späteren Trainingsrunde erneut an ausgewählte Endgeräte verteilt wird.

Cross-Device Federated Learning ist für Umgebungen ausgelegt, in denen sehr viele Geräte vorhanden sind, aber nur ein kleiner Teil gleichzeitig verfügbar ist. Ein Smartphone kann ausgeschaltet, nicht mit einem geeigneten Netzwerk verbunden oder durch andere Anwendungen ausgelastet sein. Das Verfahren muss deshalb mit wechselnden Teilnehmern, Verbindungsabbrüchen, langsamen Geräten und stark unterschiedlichen lokalen Daten umgehen können.

Einordnung in die Quantentechnologie

Cross-Device Federated Learning ist seinem Ursprung nach keine Quantentechnologie. Es handelt sich um eine Architektur des klassischen maschinellen Lernens. Der Bezug zur Quantentechnologie entsteht erst, wenn quantenbasierte Modelle, Quantensensoren, Quantenprozessoren, Quantenkommunikation oder quantensichere Verschlüsselungsverfahren in den föderierten Lernprozess integriert werden.

Diese Unterscheidung ist wesentlich. Ein klassisches Smartphone, das ein klassisches neuronales Netz lokal trainiert und seine Parameter an einen klassischen Server übermittelt, betreibt Cross-Device Federated Learning, aber kein Quantum Federated Learning. Erst wenn mindestens ein funktionaler Teil des Lern-, Kommunikations- oder Sicherheitsprozesses auf quantentechnologischen Methoden beruht, ist eine quantentechnologische Einordnung gerechtfertigt.

In der Forschung werden mehrere Übergangsformen untersucht. Ein klassisches Endgerät kann Daten vorverarbeiten und einen kleinen parametrisierten Quantenschaltkreis über einen entfernten Quanten-Cloud-Dienst ausführen lassen. Ein quantenfähiger Sensor kann lokale Messdaten erzeugen, die nur in verdichteter Form in ein föderiertes Modell einfließen. Ein klassisches Federated-Learning-System kann außerdem durch Post-Quanten-Kryptografie oder auf geeigneten Verbindungen durch Quantenschlüsselverteilung abgesichert werden. Diese Varianten unterscheiden sich technisch erheblich und dürfen nicht unter einer undifferenzierten Bezeichnung zusammengefasst werden.

Ziel der Abhandlung

Diese Abhandlung erklärt die Architektur des Cross-Device Federated Learning, seine mathematischen Grundlagen, seine Sicherheitsanforderungen und seine Verbindung zu Quantum Machine Learning. Im Mittelpunkt steht die Frage, welche Komponenten bereits technisch belastbar sind, an welchen Stellen Quantentechnologien sinnvoll integriert werden können und wo gegenwärtig noch experimentelle Annahmen statt nachgewiesener Vorteile vorliegen.

Grundlagen des föderierten Lernens

Zentralisiertes und föderiertes Training

Beim zentralisierten maschinellen Lernen werden die Trainingsdaten üblicherweise in einem Rechenzentrum gesammelt. Ein Optimierungsverfahren verarbeitet dort den vollständigen oder schrittweise eingelesenen Datenbestand. Dieses Modell vereinfacht die Kontrolle des Trainings, setzt aber voraus, dass die Daten übertragen, gespeichert und zentral verarbeitet werden dürfen.

Beim Federated Learning bleibt der Datenbestand auf mehrere Teilnehmer verteilt. Jeder Teilnehmer besitzt einen lokalen Datensatz. Ein globales Modell wird dennoch gemeinsam optimiert. Der zentrale Server kennt im einfachsten Fall die Struktur und den aktuellen Parameterstand des Modells, aber nicht die vollständigen lokalen Trainingsbeispiele.

Seien \(K\) Clients vorhanden. Der lokale Datensatz des Clients \(k\) wird mit \(D_k\) bezeichnet und enthält \(n_k\) Beispiele. Die Gesamtzahl aller lokalen Trainingsbeispiele lautet:

\(n = \sum_{k=1}^{K} n_k\)

Für ein Modell mit dem Parametervektor \(w\) kann die lokale Zielfunktion eines Clients als Mittelwert seiner Verlustwerte formuliert werden:

\(F_k(w) = \frac{1}{n_k}\sum_{i \in D_k} \ell(w;x_i,y_i)\)

Dabei bezeichnet \(\ell\) eine Verlustfunktion, \(x_i\) die Eingabedaten und \(y_i\) den zugehörigen Zielwert. Die globale Zielfunktion ergibt sich aus einer gewichteten Kombination der lokalen Zielfunktionen:

\(F(w) = \sum_{k=1}^{K}\frac{n_k}{n}F_k(w)\)

Das Ziel besteht darin, Parameter zu bestimmen, welche die globale Zielfunktion möglichst stark reduzieren:

\(w^* = \mathop{\rm arg\,min}_w F(w)\)

In einem realen Cross-Device-System nehmen jedoch nicht alle \(K\) Clients gleichzeitig teil. In jeder Trainingsrunde wird lediglich eine Teilmenge verfügbarer und geeigneter Geräte ausgewählt. Die globale Optimierung beruht daher auf wechselnden Stichproben aus der gesamten Gerätepopulation.

Lokales Training

Der Server übermittelt den ausgewählten Clients den aktuellen Parameterstand \(w_t\) der Trainingsrunde \(t\). Jeder Client führt anschließend eine festgelegte Zahl lokaler Optimierungsschritte aus. Ein einfacher stochastischer Gradientenabstieg kann durch folgende Aktualisierung beschrieben werden:

\(w \leftarrow w - \eta \nabla F_k(w)\)

Der Parameter \(\eta\) ist die Lernrate. In der Praxis wird der Gradient meist nicht über den gesamten lokalen Datensatz, sondern über kleinere Datenpakete berechnet. Der Client kann mehrere lokale Epochen durchführen, bevor er das Ergebnis an den Server zurücksendet.

Mehr lokale Schritte verringern möglicherweise die Zahl notwendiger Kommunikationsrunden. Gleichzeitig können sie dazu führen, dass sich lokale Modelle stärker in Richtung ihrer jeweiligen Datenverteilung bewegen. Bei stark unterschiedlichen Client-Daten kann dies die globale Konvergenz verschlechtern. Cross-Device Federated Learning muss deshalb ein Gleichgewicht zwischen lokaler Rechenarbeit, Kommunikationsaufwand und globaler Modellstabilität herstellen.

Federated Averaging

Federated Averaging ist eines der grundlegenden Aggregationsverfahren. Die ausgewählten Clients trainieren lokale Kopien des globalen Modells. Der Server bildet anschließend einen gewichteten Mittelwert der zurückgesendeten Parameterstände.

Sei \(S_t\) die Menge der in Runde \(t\) berücksichtigten Clients. Der aggregierte Parameterstand kann geschrieben werden als:

\(w_{t+1} = \sum_{k \in S_t}\frac{n_k}{\sum_{j \in S_t}n_j}w_{t+1}^{(k)}\)

Hierbei bezeichnet \(w_{t+1}^{(k)}\) das lokal trainierte Modell des Clients \(k\). Clients mit größeren lokalen Datenmengen erhalten bei dieser Standardform eine höhere Gewichtung. Andere Aggregationsverfahren können die Beiträge nach Qualität, Verlässlichkeit, Aktualität, Systemrolle oder Robustheitskriterien gewichten.

Der Mittelwert ist keine Garantie für ein gutes Ergebnis. Manipulierte Updates, extreme lokale Verteilungen oder fehlerhafte Geräte können den globalen Parameterstand verzerren. Für produktive Systeme werden daher zusätzliche Prüfungen, Begrenzungen und Sicherheitsmechanismen benötigt.

Cross-Device und Cross-Silo

Federated Learning wird häufig in Cross-Device- und Cross-Silo-Szenarien unterteilt. Beim Cross-Silo Federated Learning arbeiten typischerweise wenige Organisationen zusammen, etwa Kliniken, Banken, Forschungseinrichtungen oder Produktionsstandorte. Diese Teilnehmer verfügen meist über stabile Server, dauerhafte Netzwerkverbindungen und größere lokale Datensätze.

Cross-Device Federated Learning richtet sich dagegen an eine große, dynamische Gerätepopulation. Ein einzelnes Gerät besitzt häufig nur wenige Trainingsbeispiele, eingeschränkte Rechenleistung und keine dauerhafte Verbindung. Die Teilnahme kann nicht erzwungen werden. Auch der Server kann nicht davon ausgehen, dass ein bestimmtes Gerät in einer späteren Runde erneut erreichbar ist.

Diese Unterschiede verändern die gesamte Systemarchitektur. Verfahren, die bei zehn dauerhaft verbundenen Institutionen funktionieren, sind nicht automatisch für eine Million sporadisch erreichbare Smartphones geeignet. Cross-Device-Systeme benötigen eine besonders effiziente Client-Auswahl, kurze lokale Trainingsphasen, fehlertolerante Aggregationsprotokolle und einen sparsamen Umgang mit Bandbreite und Energie.

Architektur eines Cross-Device-Systems

Koordinationsserver

Der Koordinationsserver verwaltet den globalen Trainingsprozess. Er speichert den aktuellen Modellstand, legt Trainingsrunden an, bestimmt Auswahlkriterien und aggregiert die eingehenden Beiträge. Darüber hinaus kann er Modellversionen verwalten, Qualitätskontrollen durchführen und den Abbruch oder die Fortsetzung eines Trainings steuern.

Der Server muss nicht zwingend aus einem einzelnen Rechner bestehen. In produktiven Umgebungen handelt es sich meist um mehrere Dienste. Ein Dienst verwaltet Geräteanmeldungen, ein anderer verteilt Trainingsaufgaben, ein weiterer führt die sichere Aggregation durch. Die logische Zentralisierung des Trainings bedeutet somit nicht, dass die Infrastruktur physisch auf einen einzigen Server beschränkt sein muss.

Der Koordinator besitzt eine besondere Vertrauensposition. Er kann bestimmen, welches Modell verteilt wird und welche Client-Beiträge in die Aggregation einfließen. Wird er kompromittiert, kann ein Angreifer manipulierte Modelle ausliefern, Informationen aus Updates ableiten oder den Lernprozess gezielt beeinflussen. Föderiertes Lernen beseitigt daher nicht jede zentrale Abhängigkeit.

Client-Software

Die Client-Software führt das lokale Training aus. Sie muss prüfen, ob das Gerät die Teilnahmebedingungen erfüllt, das globale Modell laden, lokale Daten auswählen und die Berechnungen innerhalb eines kontrollierten Ressourcenbudgets durchführen. Nach Abschluss erzeugt sie eine Modellaktualisierung und übermittelt diese über ein abgesichertes Protokoll.

Auf mobilen Geräten sollte das Training den normalen Gebrauch möglichst wenig beeinträchtigen. Typische Teilnahmebedingungen können eine Stromversorgung, eine ausreichend schnelle Netzwerkverbindung, eine geringe Prozessorauslastung und genügend freier Speicher sein. Diese Bedingungen reduzieren die Belastung des Nutzers, führen aber zugleich zu einer systematischen Auswahl bestimmter Geräte und Nutzungssituationen.

Ein Gerät, das selten geladen wird oder nur begrenzte Netzanbindung besitzt, nimmt möglicherweise deutlich seltener am Training teil. Dadurch kann sein Datenmuster im globalen Modell unterrepräsentiert bleiben. Systemeffizienz und statistische Fairness stehen deshalb teilweise im Konflikt.

Ablauf einer Trainingsrunde

Auswahl und Modellverteilung

Zu Beginn einer Runde bestimmt der Server eine Gruppe geeigneter Clients. Da nicht jedes angesprochene Gerät tatsächlich antwortet, muss häufig eine größere Zahl angefragt werden, als später für die Aggregation benötigt wird. Der Server überträgt den aktuellen Modellstand, die Trainingskonfiguration und gegebenenfalls kryptografische Informationen.

Die Konfiguration enthält unter anderem die Zahl lokaler Schritte, die Lernrate, die erlaubte Trainingsdauer, die zu verwendenden Datenfilter und das Format der Rückmeldung. Ein produktives System muss außerdem verhindern, dass veraltete oder nicht autorisierte Clients beliebige Modellversionen verarbeiten.

Lokale Berechnung

Das Gerät trainiert das Modell mit lokal verfügbaren Daten. Diese Daten können aus Nutzereingaben, Sensorwerten, Interaktionen oder technischen Messungen stammen. Sie werden nach den Regeln der jeweiligen Anwendung ausgewählt und vorbereitet.

Während des Trainings können Parameterbegrenzungen, Gradientenbeschneidung oder eine lokale Rauschzugabe angewandt werden. Diese Maßnahmen dienen der Stabilität, dem Datenschutz oder der Vorbereitung auf eine sichere Aggregation.

Rückübertragung und Aggregation

Nach dem lokalen Training übermittelt das Gerät seine Aktualisierung. Der Server wartet nicht unbegrenzt auf alle ausgewählten Teilnehmer. Er legt ein Zeitfenster oder eine Mindestzahl erfolgreicher Beiträge fest. Zu spät eintreffende Updates können verworfen oder in asynchronen Verfahren gesondert berücksichtigt werden.

Die akzeptierten Updates werden geprüft, entschlüsselt oder innerhalb eines sicheren Aggregationsprotokolls zusammengeführt. Daraus entsteht ein neuer globaler Modellstand. Anschließend beginnt eine weitere Runde mit einer neuen Client-Stichprobe.

Synchrone und asynchrone Verfahren

Bei synchronem Federated Learning werden Updates innerhalb klar abgegrenzter Runden gesammelt. Die Aggregation beginnt, wenn eine definierte Bedingung erreicht ist. Dieses Vorgehen erleichtert die Kontrolle der Modellversionen, kann aber durch langsame Clients verzögert werden.

Asynchrone Verfahren verarbeiten Updates, sobald sie eintreffen. Dadurch sinkt die Wartezeit, doch ältere Beiträge beruhen möglicherweise auf einem überholten globalen Modell. Die Aktualität eines Client-Updates kann durch eine Gewichtungsfunktion berücksichtigt werden. Ein einfaches Schema wäre:

\(w_{t+1} = (1-\alpha_t)w_t + \alpha_t w^{(k)}\)

Der Faktor \(\alpha_t\) kann von der Verzögerung, der Datenmenge oder der Zuverlässigkeit des Clients abhängen. Asynchrone Systeme sind flexibel, aber schwieriger zu analysieren und gegen Manipulationen abzusichern.

Datenheterogenität

Nicht identisch verteilte Daten

In zentralen Lernexperimenten wird häufig angenommen, dass Trainingsbeispiele unabhängig und identisch aus einer gemeinsamen Verteilung stammen. Cross-Device-Daten erfüllen diese Annahme meist nicht. Das Nutzungsverhalten eines einzelnen Smartphones kann sich deutlich von dem eines anderen unterscheiden. Sprache, Region, Tagesablauf, Gerätetyp und persönliche Präferenzen beeinflussen den lokalen Datenbestand.

Formal kann für zwei Clients gelten:

\(P_k(x,y) \neq P_j(x,y)\)

Die lokalen Wahrscheinlichkeitsverteilungen \(P_k\) und \(P_j\) sind dann nicht identisch. Ein Client kann bestimmte Klassen häufig beobachten, während andere Klassen vollständig fehlen. Ein Sensor in einer Maschine misst andere Betriebszustände als ein baugleicher Sensor an einem anderen Standort.

Diese Heterogenität ist kein Randproblem, sondern eine Grundeigenschaft des Cross-Device-Szenarios. Sie kann dazu führen, dass lokale Modelle in unterschiedliche Richtungen optimiert werden. Der aggregierte Mittelwert gleicht diese Richtungen nicht immer sinnvoll aus.

Unausgewogene Datenmengen

Einige Geräte erzeugen sehr viele Trainingsbeispiele, andere nur wenige. Eine reine Gleichgewichtung aller Clients würde kleinen Datensätzen denselben Einfluss geben wie großen. Eine Gewichtung nach Datenmenge kann dieses Problem reduzieren, verstärkt jedoch den Einfluss besonders aktiver Nutzer oder Geräte.

Die Wahl der Gewichtung ist daher nicht nur mathematisch, sondern auch anwendungsbezogen. Ein System für medizinische Warnsignale sollte nicht automatisch seltene, aber wichtige Fälle schwächer gewichten. Ein Sprachmodell darf häufige Nutzergruppen nicht als alleinige Definition einer korrekten Sprache behandeln.

Zeitliche Veränderungen

Lokale Datenverteilungen verändern sich. Nutzer wechseln ihre Gewohnheiten, Sensoren altern, Geräte erhalten Softwareupdates und äußere Bedingungen ändern sich. Dieses Konzept wird als Verteilungsdrift bezeichnet. Ein globales Modell muss deshalb regelmäßig aktualisiert werden, ohne kurzfristige Veränderungen mit dauerhaften Mustern zu verwechseln.

Im quantentechnologischen Umfeld kann zusätzlich eine Drift der Hardware auftreten. Rauschparameter, Gatterfehler und Kalibrierungswerte eines Quantenprozessors sind nicht konstant. Ein föderiertes Modell, das auf mehreren Quantenkomponenten trainiert wird, muss sowohl statistische Datenveränderungen als auch physikalische Hardwareveränderungen berücksichtigen.

Personalisierung

Ein einziges globales Modell ist nicht in jeder Anwendung optimal. Personalisierte Verfahren kombinieren einen gemeinsam trainierten Kern mit lokalen Anpassungen. Bestimmte Parameter werden global geteilt, während andere auf dem Endgerät verbleiben.

Ein Modell kann beispielsweise in globale und lokale Parameter zerlegt werden:

\(w_k = (w_g,w_k^{\mathrm{local}})\)

Der globale Anteil \(w_g\) wird föderiert trainiert. Der lokale Anteil \(w_k^{\mathrm{local}}\) wird nur auf dem jeweiligen Gerät angepasst. Diese Trennung kann die Vorhersagequalität verbessern und die Übertragung persönlicher Eigenschaften reduzieren. Sie erhöht jedoch den Speicherbedarf und erschwert die Bewertung eines einheitlichen globalen Modells.

Systemheterogenität und Ressourcen

Unterschiedliche Hardware

Cross-Device-Systeme umfassen Geräte mit verschiedenen Prozessoren, Speicherkapazitäten, Betriebssystemen und Beschleunigern. Ein neues Smartphone kann ein lokales Modell schnell trainieren, während ein älteres Gerät dieselbe Aufgabe nicht innerhalb des erlaubten Zeitfensters abschließt.

Die Modellarchitektur muss deshalb an die schwächeren Teilnehmer angepasst oder dynamisch verkleinert werden. Teilweise trainierbare Netze, modulare Modelle und unterschiedliche Präzisionsstufen können die Belastung reduzieren. Dabei muss gewährleistet bleiben, dass die resultierenden Updates kompatibel sind.

Energieverbrauch

Lokales Training benötigt Energie. Bei mobilen Geräten wirkt sich dies auf Akkulaufzeit und Wärmeentwicklung aus. Eine sinnvolle Teilnahmebedingung ist daher häufig, dass das Gerät geladen wird oder an eine Stromquelle angeschlossen ist.

Die Energiebetrachtung darf sich nicht auf das Endgerät beschränken. Serverbetrieb, Netzwerkübertragung, Speicherung und kryptografische Verarbeitung verursachen ebenfalls Aufwand. Bei quantenbasierten Komponenten kommen Steuerungselektronik, Kühlung, Kalibrierung und wiederholte Schaltkreisausführungen hinzu. Ein behaupteter Effizienzgewinn muss diese Gesamtkette berücksichtigen.

Ausfälle und langsame Teilnehmer

Geräte können während einer Trainingsrunde ausfallen. Ursachen sind Verbindungsabbrüche, Betriebssystementscheidungen, Ressourcenmangel oder die aktive Nutzung durch den Eigentümer. Aggregationsprotokolle müssen damit rechnen, dass ein Teil der ausgewählten Clients keine vollständige Antwort liefert.

Besonders anspruchsvoll ist dies bei sicheren Mehrparteienprotokollen. Wenn die Entschlüsselung oder Maskenaufhebung von Beiträgen die Mitwirkung mehrerer Clients voraussetzt, darf der Ausfall einzelner Teilnehmer nicht die gesamte Runde unbrauchbar machen.

Repräsentativität der Teilnehmer

Die schnellsten und am häufigsten verfügbaren Geräte bilden nicht zwangsläufig die gesamte Nutzerpopulation ab. Eine Client-Auswahl, die ausschließlich Systemleistung optimiert, kann zu einem Modell führen, das bestimmte Regionen, Gerätetypen oder Nutzungsformen bevorzugt.

Die Auswahlstrategie muss daher technische und statistische Kriterien verbinden. Gleichzeitig darf der Server nicht mehr persönliche Informationen sammeln, als für die Auswahl erforderlich sind. Die Suche nach repräsentativen Clients kann selbst zu einem Datenschutzproblem werden, wenn dafür umfangreiche Geräteprofile erstellt werden.

Kommunikationseffizienz

Kommunikation als Engpass

In Cross-Device-Systemen ist die Datenübertragung häufig teurer als die lokale Berechnung. Moderne Modelle besitzen Millionen oder Milliarden Parameter. Eine vollständige Übertragung aller Parameter in jeder Runde wäre für viele Endgeräte ungeeignet.

Die Kommunikationskosten hängen von der Modellgröße, der Zahl der Teilnehmer, der Anzahl der Trainingsrunden und der numerischen Darstellung der Parameter ab. Ein vereinfachtes Gesamtvolumen kann als

\(C \approx R \cdot M \cdot B \cdot (N_{\mathrm{down}} + N_{\mathrm{up}})\)

beschrieben werden. Dabei steht \(R\) für die Zahl der Runden, \(M\) für die Zahl der übertragenen Parameter, \(B\) für die Bits pro Parameter und \(N_{\mathrm{down}}\) sowie \(N_{\mathrm{up}}\) für die Zahl der Download- und Upload-Vorgänge.

Quantisierung

Bei der Quantisierung werden Modellwerte mit geringerer numerischer Genauigkeit übertragen. Statt eines zweiunddreißig Bit breiten Gleitkommawerts kann beispielsweise eine Darstellung mit sechzehn oder acht Bit verwendet werden. Dies reduziert das Datenvolumen, kann aber Rundungsfehler verursachen.

Die Quantisierung muss mit sicheren Aggregationsverfahren kompatibel sein. Viele kryptografische Protokolle arbeiten effizienter mit ganzen Zahlen in einem endlichen Zahlenraum als mit beliebigen Gleitkommawerten. Vor der Übertragung werden lokale Updates daher häufig skaliert und diskretisiert.

Sparsifizierung

Bei der Sparsifizierung überträgt ein Client nur einen Teil seiner Modellaktualisierung. Dies können die betragsmäßig größten Werte oder nach einem festen Muster ausgewählte Parameter sein. Nicht übertragene Änderungen können lokal gespeichert und in späteren Runden berücksichtigt werden.

Eine zu aggressive Sparsifizierung verliert wichtige Informationen. Außerdem kann das Auswahlmuster selbst Rückschlüsse auf lokale Daten ermöglichen. Kommunikationseffizienz und Datenschutz müssen daher gemeinsam bewertet werden.

Teilweises Modelltraining

Eine weitere Möglichkeit besteht darin, nur bestimmte Schichten oder Module eines Modells lokal zu trainieren. Große Teile bleiben eingefroren. Dadurch sinken Rechen- und Kommunikationskosten. Für große Sprachmodelle kann etwa ein kompakter Adapter trainiert werden, während das Grundmodell unverändert bleibt.

Dieses Prinzip ist für hybride Quantenmodelle besonders relevant. Ein klassisches Grundmodell kann fest vorgegeben sein, während nur eine kleine Zahl klassischer Parameter eines Quantenschaltkreises föderiert optimiert wird. Dadurch bleibt die übertragene Parameterzahl überschaubar.

Datenschutz und Sicherheit

Lokale Datenhaltung ist kein vollständiger Datenschutz

Federated Learning wird häufig verkürzt als Lernen ohne Datenaustausch beschrieben. Tatsächlich werden zwar keine vollständigen Rohdatensätze übertragen, aber Modellaktualisierungen können Informationen über lokale Trainingsbeispiele enthalten. Unter bestimmten Bedingungen lassen sich Eigenschaften, Klassenverteilungen oder einzelne Eingaben aus Gradienten rekonstruieren.

Das Datenschutzrisiko hängt von Modelltyp, Batch-Größe, Aktualisierungsformat und Angreifermodell ab. Besonders kleine lokale Datenmengen können problematisch sein, weil eine Aktualisierung dann den Einfluss einzelner Beispiele deutlicher erkennen lässt.

Sichere Aggregation

Sichere Aggregation soll verhindern, dass der Server einzelne Client-Updates im Klartext sieht. Die Clients maskieren ihre Beiträge so, dass sich die Masken bei der Summenbildung gegenseitig aufheben. Der Server erhält nur das aggregierte Ergebnis.

Für lokale Werte \(x_k\) soll der Server beispielsweise lediglich

\(X = \sum_{k \in S_t}x_k\)

erfahren, nicht jedoch die einzelnen Werte \(x_k\). In der Praxis muss das Protokoll Teilnehmerausfälle, Authentifizierung, Schlüsselverteilung und begrenzte Bandbreite berücksichtigen.

Sichere Aggregation schützt nicht gegen jede Gefahr. Ein manipulierter Client kann weiterhin einen schädlichen Beitrag einsenden. Der Server sieht dann möglicherweise nicht genug Einzelinformationen, um diesen Beitrag unmittelbar zu prüfen. Vertraulichkeit und Robustheit können somit in Spannung zueinander stehen.

Differential Privacy

Differential Privacy begrenzt den messbaren Einfluss einzelner Datensätze oder Teilnehmer auf das Ergebnis eines Algorithmus. Für benachbarte Datensätze \(D\) und \(D'\) soll ein zufälliger Mechanismus \(M\) für jede Ergebnismenge \(S\) die Bedingung

\(P(M(D)\in S) \leq e^\epsilon P(M(D')\in S) + \delta\)

erfüllen. Die Parameter \(\epsilon\) und \(\delta\) beschreiben das Datenschutzniveau. Ein kleinerer Wert von \(\epsilon\) bedeutet grundsätzlich eine stärkere Begrenzung des individuellen Einflusses, kann aber mehr Rauschen und einen größeren Genauigkeitsverlust erfordern.

In föderierten Systemen werden lokale Updates häufig zunächst normiert oder beschnitten:

\(\bar{g}_k = g_k \cdot \min\left(1,\frac{C}{||g_k||_2}\right)\)

Danach kann der aggregierten Summe Rauschen hinzugefügt werden:

\(\tilde{g} = \frac{1}{|S_t|}\left(\sum_{k\in S_t}\bar{g}_k + \mathcal{N}(0,\sigma^2 C^2 I)\right)\)

Der Schwellenwert \(C\) begrenzt den Einfluss eines einzelnen Updates. Die Rauschstärke wird durch \(\sigma\) gesteuert. Die praktische Qualität hängt davon ab, wie häufig ein Nutzer teilnimmt und wie das Datenschutzbudget über viele Runden berechnet wird.

Angriffe durch Clients

Ein bösartiger Teilnehmer kann seine lokalen Daten oder direkt das Modellupdate manipulieren. Data Poisoning verändert den Trainingsbestand, Model Poisoning greift unmittelbar in die Parameteränderung ein. Ein Backdoor-Angriff versucht, ein Modell für gewöhnliche Eingaben korrekt erscheinen zu lassen, aber bei einem bestimmten Auslöser ein vom Angreifer gewünschtes Verhalten zu erzeugen.

Sybil-Angriffe nutzen mehrere scheinbar unabhängige Clients, die tatsächlich von derselben Quelle kontrolliert werden. In offenen Gerätepopulationen ist dies besonders problematisch. Die reine Zahl teilnehmender Geräte sagt nichts über die Zahl unabhängiger Akteure aus.

Robuste Aggregation

Robuste Aggregationsverfahren versuchen, extreme oder widersprüchliche Updates zu begrenzen. Beispiele sind koordinatenweise Mediane, beschnittene Mittelwerte oder Verfahren, die Ähnlichkeiten zwischen Updates untersuchen. Solche Methoden können jedoch bei stark heterogenen, aber ehrlichen Daten ebenfalls legitime Beiträge als Ausreißer behandeln.

Ein Update aus einer seltenen Nutzergruppe kann statistisch ungewöhnlich sein, ohne bösartig zu sein. Eine robuste Aggregation muss daher Angriffe abwehren, ohne Minderheitsmuster systematisch zu entfernen.

Post-Quanten-Sicherheit

Die klassische Kommunikation eines Federated-Learning-Systems muss gegen zukünftige Quantenangriffe abgesichert werden. Leistungsfähige Quantencomputer könnten etablierte asymmetrische Verfahren gefährden, sofern diese auf mathematischen Problemen beruhen, die durch Quantenalgorithmen effizient gelöst werden können.

Post-Quanten-Kryptografie verwendet klassische Algorithmen, die nach aktuellem Kenntnisstand auch gegen Quantenangreifer widerstandsfähig sein sollen. Sie kann für Authentifizierung, Schlüsselaustausch und digitale Signaturen eingesetzt werden. Der Einsatz macht ein Lernmodell nicht selbst quantenbasiert, erhöht aber die langfristige Sicherheit der Infrastruktur.

Post-Quanten-Verfahren besitzen andere Schlüssel-, Signatur- und Rechenkosten als bisherige Algorithmen. Für kleine Endgeräte müssen Speicherbedarf, Übertragungsvolumen und Implementierungssicherheit geprüft werden.

Quantenschlüsselverteilung

Quantum Key Distribution kann auf geeigneten Kommunikationsstrecken kryptografische Schlüssel unter Nutzung quantenphysikalischer Eigenschaften verteilen. Ein Abhörversuch kann unter idealisierten Bedingungen über veränderte Messstatistiken erkennbar werden.

QKD löst jedoch nicht das gesamte Sicherheitsproblem eines föderierten Systems. Sie schützt weder ein kompromittiertes Endgerät noch verhindert sie vergiftete Modellupdates. Sie ersetzt auch keine Identitätsprüfung, keine sichere Software und keine robuste Aggregation. Zudem benötigen heutige QKD-Systeme spezielle optische Infrastruktur und sind nicht ohne Weiteres in eine beliebige Smartphone-Verbindung integrierbar.

Übergang zum Quantum Federated Learning

Grundlagen von Quantum Machine Learning

Quantum Machine Learning verbindet Methoden des maschinellen Lernens mit Quantenberechnungen. In vielen heute untersuchten Ansätzen wird ein klassischer Optimierer mit einem parametrisierten Quantenschaltkreis kombiniert.

Ein reiner Quantenzustand eines Systems mit \(n\) Qubits kann als Superposition geschrieben werden:

\(|\psi\rangle = \sum_{i=0}^{2^n-1}\alpha_i |i\rangle\)

Die komplexen Amplituden müssen die Normierungsbedingung erfüllen:

\(\sum_{i=0}^{2^n-1}|\alpha_i|^2 = 1\)

Bei einer Messung sind nicht die Amplituden selbst direkt zugänglich. Die Wahrscheinlichkeit, den Basiszustand \(|i\rangle\) zu erhalten, lautet:

\(P(i) = |\alpha_i|^2\)

Ein parametrisiertes Quantenmodell kann klassische Eingabedaten \(x\) zunächst in einen Quantenzustand kodieren und anschließend durch eine trainierbare unitäre Operation verarbeiten:

\(|\psi(x,\theta)\rangle = U(\theta)U_{\mathrm{enc}}(x)|0\rangle^{\otimes n}\)

Die Modellantwort kann aus dem Erwartungswert eines Observablen \(O\) bestimmt werden:

\(f(x,\theta) = \langle\psi(x,\theta)|O|\psi(x,\theta)\rangle\)

Ein klassischer Optimierer verändert die Parameter \(\theta\), um eine Verlustfunktion zu minimieren. Der quantenbasierte Teil liefert dabei Messwerte, keine vollständige direkte Beschreibung des Zustands.

Hybrides Quantum Federated Learning

Die gegenwärtig realistischste Verbindung zwischen Cross-Device Federated Learning und Quantencomputing ist eine hybride Architektur. Die Geräte, Netzwerke und Koordinationsdienste bleiben überwiegend klassisch. Nur ausgewählte Modellteile werden auf Quantenhardware oder Quantensimulatoren ausgeführt.

Ein Client kann lokale Daten klassisch normalisieren, Merkmale auswählen und auf eine für den Quantenschaltkreis geeignete Dimension reduzieren. Anschließend wird der Schaltkreis lokal oder über einen Cloud-Zugang ausgeführt. Die trainierbaren klassischen Parameter des Schaltkreises werden nach mehreren lokalen Schritten an den föderierten Server gesendet.

Ein globaler Parametervektor kann dann analog zum klassischen Federated Averaging aggregiert werden:

\(\theta_{t+1} = \sum_{k\in S_t}\frac{n_k}{\sum_{j\in S_t}n_j}\theta_{t+1}^{(k)}\)

Die Tatsache, dass \(\theta\) einen Quantenschaltkreis steuert, verändert die Grundlogik der Aggregation zunächst nicht. Der Server mittelt weiterhin klassische Zahlen. Der quantentechnologische Anteil liegt in der lokalen Modellausführung.

Verteilung der Quantenressourcen

Nicht jedes Endgerät wird einen eigenen Quantenprozessor besitzen. Deshalb sind mehrere Architekturen denkbar. Ein Client kann einen entfernten Quanten-Cloud-Dienst ansprechen. Eine regionale Edge-Infrastruktur kann klassische Geräte mit einem kleinen Quantenbeschleuniger verbinden. Institutionelle oder industrielle Endpunkte können eigene Quantenhardware betreiben.

Der Cloud-Zugriff schafft neue Vertrauensfragen. Werden lokale Merkmale an einen Quantenanbieter übertragen, verbleiben sie nicht vollständig auf dem Endgerät. Blind-Quantum-Computing-Verfahren oder verschlüsselte Quantenberechnungen werden als mögliche Lösungen untersucht, sind aber technisch aufwendig und gegenwärtig nicht allgemein verfügbar.

Vollständig quantenbasiertes Federated Learning

Ein vollständig quantenbasiertes Szenario würde nicht nur klassische Parameter eines Quantenschaltkreises austauschen, sondern Quantenzustände oder quantenmechanisch kodierte Modellinformationen zwischen Teilnehmern verarbeiten. Eine solche Architektur setzt zuverlässige Quantenkommunikation, Quantenspeicher und geeignete Protokolle zur verteilten Berechnung voraus.

Unbekannte Quantenzustände können aufgrund des No-Cloning-Theorems nicht beliebig kopiert werden. Dies unterscheidet quantenmechanische Informationen grundlegend von klassischen Modellparametern. Ein Quantenzustand kann außerdem durch Messung verändert oder zerstört werden. Klassische Aggregationsvorstellungen lassen sich deshalb nicht direkt auf beliebige Quantenzustände übertragen.

Vollständig quantenbasierte Cross-Device-Systeme liegen deutlich außerhalb heutiger massenhaft verfügbarer Endgeräte. Sie sind vor allem ein Forschungsgegenstand für zukünftige Quantennetzwerke, verteilte Quantenprozessoren und spezialisierte Quantensensoren.

Quantenspezifische Trainingsprobleme

Datenkodierung

Klassische Daten müssen für viele Quantenmodelle zunächst in einen Quantenzustand übertragen werden. Je nach Verfahren werden Werte als Rotationswinkel, Basiszustände oder Amplituden kodiert. Diese Kodierung verursacht Rechenaufwand und kann den theoretischen Vorteil eines Quantenalgorithmus reduzieren.

Bei Winkelkodierung kann ein Merkmal \(x_j\) beispielsweise eine Rotation steuern:

\(R_y(x_j) = \begin{pmatrix}\cos(x_j/2) & -\sin(x_j/2) \\ \sin(x_j/2) & \cos(x_j/2)\end{pmatrix}\)

Für viele Merkmale werden entsprechend viele Gatter oder wiederholte Kodierungsschichten benötigt. Ein Cross-Device-System muss prüfen, ob die Kodierung auf jedem Client gleich definiert ist. Abweichende Vorverarbeitung führt sonst zu nicht vergleichbaren lokalen Modellen.

Messstatistik

Ein Quantenmesswert wird aus wiederholten Ausführungen eines Schaltkreises geschätzt. Die Anzahl dieser Wiederholungen wird häufig als Zahl der Shots bezeichnet. Eine größere Shot-Zahl reduziert die statistische Unsicherheit, erhöht aber Laufzeit und Kosten.

Für eine binäre Observable mit Ergebnissen \(-1\) und \(+1\) kann der Erwartungswert aus \(N\) Messungen geschätzt werden:

\(\hat{E} = \frac{1}{N}\sum_{s=1}^{N}z_s\)

Die Unsicherheit sinkt näherungsweise mit zunehmendem \(N\), verschwindet aber bei endlicher Messzahl nicht vollständig. Lokale Clients können daher selbst bei identischen Daten und Parametern leicht unterschiedliche Gradienten erhalten.

Gradientenberechnung

Für bestimmte parametrisierte Quantengatter kann der Gradient über eine Parameter-Shift-Regel bestimmt werden. Eine vereinfachte Form lautet:

\(\frac{\partial f}{\partial \theta_j} = \frac{1}{2}\left[f\left(\theta_j+\frac{\pi}{2}\right)-f\left(\theta_j-\frac{\pi}{2}\right)\right]\)

Für jeden Parameter sind zusätzliche Schaltkreisausführungen erforderlich. Bei vielen Parametern, Datenpunkten, Clients und Trainingsrunden wächst der Aufwand schnell. Der Kommunikationsvorteil eines kleinen Parametervektors kann durch eine hohe Zahl quantenmechanischer Messungen aufgehoben werden.

Rauschen und NISQ-Hardware

Gegenwärtige Quantenprozessoren gehören überwiegend zur Klasse der Noisy Intermediate-Scale Quantum Devices. Sie besitzen eine begrenzte Zahl nutzbarer Qubits, endliche Kohärenzzeiten und fehleranfällige Gatter und Messungen.

Die Hardware mehrerer Clients kann unterschiedliche Rauschprofile besitzen. Ein Client trainiert dann nicht exakt dasselbe mathematische Modell wie ein anderer. Selbst wenn die Schaltkreisstruktur identisch ist, verändern physikalische Fehler die gemessene Zielfunktion.

Fehlerminderungsverfahren können die Qualität verbessern, erfordern jedoch zusätzliche Schaltkreisausführungen oder Kalibrierungsdaten. Eine vollständige Quantenfehlerkorrektur ist für kleine, mobile Cross-Device-Teilnehmer gegenwärtig keine realistische Standardannahme.

Barren Plateaus

Bei bestimmten tiefen oder ungünstig aufgebauten Quantenschaltkreisen können Gradienten mit wachsender Systemgröße extrem klein werden. Die Optimierungslandschaft erscheint dann über große Bereiche nahezu flach. Dieses Problem wird als Barren Plateau bezeichnet.

In einem föderierten Szenario verschärfen Messrauschen, lokale Datenunterschiede und Hardwarefehler die Situation. Ein nahezu verschwindender Gradient lässt sich schwer von statistischem Rauschen unterscheiden. Hardwareangepasste Schaltkreise, lokale Kostenfunktionen und sorgfältige Initialisierung können das Problem reduzieren, aber nicht grundsätzlich für jede Architektur beseitigen.

Aggregation heterogener Quantenschaltkreise

Klassisches Federated Averaging setzt voraus, dass alle Clients kompatible Parametervektoren liefern. Quantenhardware kann jedoch unterschiedliche Qubit-Zahlen, Verbindungstopologien und native Gatter besitzen. Ein Schaltkreis, der auf einem supraleitenden Prozessor effizient ist, kann auf einer Ionenfallen-Architektur anders umgesetzt werden.

Eine bloße Mittelung der Parameter ist nur sinnvoll, wenn die Parameter dieselbe funktionale Bedeutung besitzen. Bei unterschiedlichen Schaltkreisstrukturen werden andere Verfahren benötigt, etwa Wissensdestillation, gemeinsame Ausgangsrepräsentationen, modulare Schaltkreisbausteine oder die Aggregation klassischer Vorhersagen statt interner Parameter.

Einsatzfelder

Mobile Personalisierung

Das klassische Cross-Device Federated Learning eignet sich für Texteingabe, Sprachmodelle, Empfehlungen und andere personalisierte Funktionen. Nutzerdaten müssen nicht vollständig in ein Rechenzentrum übertragen werden. Das globale Modell lernt aus einer breiten Gerätepopulation und kann anschließend lokal angepasst werden.

Ein quantentechnologischer Vorteil ist in diesem Bereich derzeit nicht nachgewiesen. Kleine hybride Quantenmodelle können experimentell getestet werden, konkurrieren jedoch mit hochoptimierten klassischen Verfahren, die auf mobiler Hardware effizient ausgeführt werden.

Verteilte Quantensensorik

Quantensensoren können äußerst empfindliche Messungen von Magnetfeldern, Zeit, Beschleunigung oder Gravitation ermöglichen. Mehrere räumlich verteilte Sensoren könnten lokale Modelle trainieren, ohne vollständige Rohmessreihen an eine zentrale Stelle zu übertragen.

Ein föderiertes Modell kann gemeinsame Muster lernen und zugleich lokale Kalibrierungsparameter berücksichtigen. Besonders relevant ist dies, wenn Messdaten sicherheitskritisch, militärisch sensibel oder wirtschaftlich vertraulich sind.

Die Bezeichnung Cross-Device ist hier nur dann angemessen, wenn tatsächlich viele eigenständige Geräte mit wechselnder Verfügbarkeit beteiligt sind. Ein fest installiertes Netzwerk aus wenigen Laboren entspricht eher einem Cross-Silo-Szenario.

Kalibrierung von Quantenprozessoren

Quantenprozessoren müssen regelmäßig kalibriert werden. Frequenzen, Pulsformen, Gatterparameter und Ausleseverfahren können sich mit der Zeit verändern. Mehrere Prozessoren könnten aus ihren lokalen Kalibrierungsdaten ein gemeinsames Vorhersagemodell trainieren.

Die Rohdaten könnten lokal verbleiben, während verallgemeinerbare Parameter ausgetauscht werden. Das globale Modell müsste jedoch genügend Flexibilität besitzen, um gerätespezifische Unterschiede nicht zu überschreiben. Personalisierte oder mehrstufige föderierte Verfahren sind daher naheliegender als ein vollständig einheitliches Modell.

Quantenfehlerkorrektur

Decoder für Quantenfehlerkorrektur ordnen gemessenen Syndromen wahrscheinliche Fehler zu. Die optimale Zuordnung hängt vom Fehlerkanal und von der konkreten Hardware ab. Föderiertes Lernen könnte Decoder über mehrere Geräte hinweg verbessern, ohne sämtliche Fehlerprotokolle zentral zu sammeln.

Ein globaler Decoder kann gemeinsame Fehlermuster erfassen, während lokale Komponenten an den jeweiligen Prozessor angepasst werden. Für einen praktischen Nutzen müssen Latenz, Zuverlässigkeit und Fehlerraten sehr genau untersucht werden. Ein Decoder, der langsam oder unvorhersehbar reagiert, ist für Echtzeitkorrektur ungeeignet.

Quantenkommunikationsnetze

In zukünftigen Quantennetzen müssen Verbindungen, Quantenspeicher, Repeater und Verschaltungsentscheidungen koordiniert werden. Lokale Netzknoten könnten aus ihren Betriebsdaten Modelle für Routing, Ressourcenzuweisung und Fehlerprognosen trainieren.

Federated Learning kann hier verhindern, dass jeder Netzknoten sämtliche technischen Daten offenlegen muss. Der Lernprozess bleibt wahrscheinlich lange überwiegend klassisch, auch wenn er eine Quanteninfrastruktur optimiert. Eine Anwendung auf ein Quantennetz ist nicht automatisch selbst ein Quantenalgorithmus.

Medizinische Anwendungen

Wearables und mobile Diagnosegeräte erzeugen sensible Gesundheitsdaten. Cross-Device Federated Learning kann Modelle aus vielen Geräten trainieren, ohne vollständige Messreihen zentral zu speichern. Differential Privacy, sichere Aggregation und klare Einwilligungsregeln bleiben dennoch erforderlich.

Hybride Quantenmodelle werden für Klassifikations- und Optimierungsaufgaben untersucht. Ein medizinischer Einsatz verlangt jedoch mehr als eine gute Testgenauigkeit. Erforderlich sind reproduzierbare Studien, robuste externe Validierung, nachvollziehbare Fehleranalysen und regulatorische Zulassung.

Fahrzeuge und industrielle Systeme

Fahrzeuge und Maschinen erzeugen große Mengen lokaler Sensor- und Zustandsdaten. Föderiertes Lernen kann aus Fehlern, Fahrbedingungen oder Verschleißmustern lernen, ohne jede Rohmessung dauerhaft an einen zentralen Dienst zu senden.

Quantentechnologische Komponenten könnten langfristig in Optimierungs- oder Sensormodulen eingesetzt werden. Gegenwärtig bleibt die zuverlässige klassische Edge-Verarbeitung die technische Grundlage. Quantenmethoden müssen einen messbaren Zusatznutzen gegenüber leistungsfähigen klassischen Verfahren zeigen.

Bewertung und Benchmarking

Modellqualität

Die Modellqualität darf nicht allein durch Genauigkeit bewertet werden. Je nach Aufgabe sind Präzision, Trefferquote, F-Maß, Fläche unter der ROC-Kurve, Kalibrierung und Robustheit relevant. Bei ungleichen Klassenverteilungen kann eine hohe Gesamtgenauigkeit wichtige Fehler verdecken.

Für eine binäre Klassifikation ist das F-Maß als harmonisches Mittel von Präzision und Trefferquote definiert:

\(F_1 = 2\frac{\mathrm{Precision}\cdot\mathrm{Recall}}{\mathrm{Precision}+\mathrm{Recall}}\)

Föderierte Modelle sollten außerdem für verschiedene Client-Gruppen getrennt bewertet werden. Ein guter globaler Mittelwert kann schlechte Ergebnisse auf seltenen Geräten oder Datenverteilungen verdecken.

Konvergenz

Konvergenz bezeichnet die Entwicklung der Zielfunktion oder Modellqualität über die Trainingsrunden. Ein Verfahren ist nicht allein deshalb effizient, weil es wenige Runden benötigt. Eine Runde kann bei großem Modell, vielen Clients oder aufwendigen Quantenmessungen erhebliche Kosten verursachen.

Vergleiche müssen deshalb lokale Rechenschritte, übertragene Bytes, Laufzeit und Energieaufwand angeben. Bei Quantenmodellen gehören Zahl der Schaltkreisausführungen, Shots, Qubits, Gattertiefe und Fehlerkorrektur- oder Fehlerminderungskosten dazu.

Kommunikationsmetriken

Wichtige Kennzahlen sind das gesamte Upload- und Download-Volumen, die mittlere Rundendauer, die Zahl abgebrochener Clients und die benötigte Zahl erfolgreicher Beiträge. Auch der Anteil mehrfach übertragener oder veralteter Updates sollte erfasst werden.

Ein Verfahren, das die Modellgenauigkeit geringfügig verbessert, aber ein Vielfaches der Bandbreite benötigt, ist für ein reales Cross-Device-System möglicherweise ungeeignet.

Datenschutzmetriken

Datenschutz sollte durch konkrete Annahmen und Parameter beschrieben werden. Dazu gehören das Differential-Privacy-Budget, die maximale Teilnahmehäufigkeit eines Nutzers, die Größe der Aggregationsgruppe und das angenommene Angreifermodell.

Die Aussage, Rohdaten blieben lokal, reicht nicht aus. Es muss geprüft werden, welche Informationen aus Updates, Modellversionen, Metadaten und Teilnahmezeitpunkten ableitbar sind.

Quantenspezifische Metriken

Für Quantenmodelle sind die Zahl logischer und physischer Qubits, Schaltkreistiefe, Gatteranzahl, Messwiederholungen und Fehlerraten entscheidend. Zusätzlich muss angegeben werden, ob Ergebnisse auf einem Simulator, einem idealisierten Rauschmodell oder echter Hardware entstanden sind.

Simulationen sind wichtig für Forschung und Entwicklung, beweisen aber keinen praktischen Quantenvorteil. Ein klassischer Rechner, der einen kleinen Quantenschaltkreis simuliert, ist keine produktive Quantenbeschleunigung.

Faire Vergleichsgrundlagen

Ein Quantum-Federated-Learning-Verfahren muss mit starken klassischen Baselines verglichen werden. Dazu gehören klassische neuronale Netze ähnlicher Größe, effiziente Edge-Modelle, Transfer-Learning-Verfahren und moderne Kommunikationskompression.

Die Datensätze, Client-Aufteilung, Optimierungsbudgets und Sicherheitsmechanismen müssen vergleichbar sein. Ein Quantenmodell mit zusätzlicher Vorverarbeitung darf nicht mit einem absichtlich schwachen klassischen Modell verglichen werden.

Ein belastbarer Vorteil liegt erst vor, wenn das quantenbasierte Verfahren bei einer relevanten Kennzahl besser ist und die Gesamtkosten berücksichtigt werden. Ein geringfügiger Genauigkeitsgewinn bei deutlich höherer Laufzeit ist kein allgemeiner Quantenvorteil.

Technologischer Reifegrad

Klassisches Cross-Device Federated Learning

Klassisches Cross-Device Federated Learning wurde bereits in großskaligen mobilen Anwendungen eingesetzt. Die grundlegende Machbarkeit ist damit belegt. Gleichzeitig bleiben Datenschutz, Fairness, Systemheterogenität, Kommunikationseffizienz und robuste Aggregation aktive Forschungsgebiete.

Produktive Systeme erfordern weit mehr als einen Aggregationsalgorithmus. Sie benötigen Geräteverwaltung, sichere Softwareverteilung, Protokollierung, Datenschutzkontrollen, Missbrauchserkennung und eine zuverlässige Modellfreigabe. Der Algorithmus ist nur ein Teil der Gesamtinfrastruktur.

Hybrides Quantum Federated Learning

Hybride Ansätze befinden sich überwiegend im Forschungs- und Prototypenstadium. Viele Experimente nutzen kleine Datensätze, wenige simulierte Clients und Quantenschaltkreise mit geringer Qubit-Zahl. Solche Studien zeigen, dass eine Kopplung technisch formulierbar ist, nicht aber, dass sie im großskaligen Cross-Device-Betrieb überlegen ist.

Ein häufiges Missverständnis besteht darin, jeden Einsatz eines parametrisierten Quantenschaltkreises als Beschleunigung zu interpretieren. Ein Quantenschaltkreis kann ein Modell anders darstellen, ohne schneller, genauer oder energieeffizienter zu sein. Der Vorteil muss für die konkrete Aufgabe gemessen werden.

Vollständig quantenbasiertes Cross-Device-Lernen

Ein Netzwerk aus massenhaft verfügbaren mobilen Quantenendgeräten existiert gegenwärtig nicht. Verteilte Quantenberechnung wird in spezialisierten Labor- und Netzwerkumgebungen untersucht. Die dafür erforderlichen Quantenspeicher, Schnittstellen und fehlertoleranten Prozessoren besitzen noch nicht den Reifegrad klassischer mobiler Geräte.

Vollständig quantenbasiertes Cross-Device Federated Learning ist daher eine langfristige Forschungsvision. Gegenwärtige Arbeiten sollten klar zwischen realer Hardware, Simulation und theoretischem Protokoll unterscheiden.

Offene Forschungsfragen

Skalierbarkeit

Die meisten Quantum-Federated-Learning-Experimente umfassen nur wenige Clients. Ein Cross-Device-System muss dagegen mit sehr großen Teilnehmerzahlen umgehen. Offen ist, wie sich quantenbasierte Trainingskosten, Messrauschen und Hardwarezugang bei Tausenden oder Millionen potenziellen Geräten verhalten.

Ein weiterer Punkt ist die Verfügbarkeit. Wenn nur wenige Clients Zugriff auf Quantenhardware besitzen, entsteht eine asymmetrische Population. Aggregationsverfahren müssen klassische und quantenfähige Teilnehmer sinnvoll verbinden.

Modellheterogenität

Zukünftige Geräte werden wahrscheinlich unterschiedliche Quantenressourcen besitzen. Ein einheitlicher Schaltkreis kann deshalb zu groß für einige Clients und zu klein für andere sein. Benötigt werden Verfahren, die Modelle verschiedener Tiefe, Qubit-Zahl und Gatterstruktur zusammenführen.

Wissensdestillation ist eine mögliche Richtung. Clients teilen dabei nicht zwingend Parameter, sondern Vorhersagen, verdichtete Repräsentationen oder gemeinsame Referenzwerte. Dadurch können unterschiedliche Modellarchitekturen zusammenarbeiten. Der Datenschutz dieser ausgetauschten Informationen muss gesondert untersucht werden.

Verifizierbare Quantenberechnung

Ein Server muss beurteilen können, ob ein Client die behauptete Quantenberechnung korrekt ausgeführt hat. Ein bösartiger Client könnte zufällige oder gezielt manipulierte Messwerte liefern. Klassische Plausibilitätsprüfungen reichen bei komplexen Quantenschaltkreisen möglicherweise nicht aus.

Verifizierbare und blinde Quantenberechnungen bieten theoretische Ansätze, verursachen jedoch zusätzlichen Kommunikations- und Ressourcenaufwand. Für ein Cross-Device-System müssen sie mit Ausfällen, begrenzter Hardware und kurzen Trainingsfenstern vereinbar sein.

Datenschutz quantenbasierter Updates

Es ist nicht automatisch klar, ob Parameter eines Quantenschaltkreises mehr oder weniger Informationen über lokale Daten preisgeben als Parameter eines klassischen Modells. Die Antwort hängt von Kodierung, Schaltkreisstruktur, Trainingsverfahren und Zugriffsmöglichkeiten des Angreifers ab.

Behauptungen über intrinsischen Quantenschutz müssen deshalb genau begründet werden. Quantenmechanische Eigenschaften ersetzen keine formale Datenschutzanalyse.

Sicherheit gegen zukünftige Angreifer

Ein System kann quantenbasierte Modelle verwenden und dennoch über unsichere klassische Schnittstellen verfügen. Umgekehrt kann ein vollständig klassisches Lernmodell durch Post-Quanten-Kryptografie langfristig abgesichert werden. Modelltechnologie und Kommunikationssicherheit sind getrennte Ebenen.

Eine belastbare Architektur benötigt quantensichere Identitäten, Update-Signaturen, Schlüsselmanagement, sichere Ausführungsumgebungen und Verfahren gegen manipulierte Teilnehmer.

Reproduzierbarkeit

Die Forschung benötigt standardisierte Datensätze, realistische Client-Verteilungen, dokumentierte Hardwareprofile und offene Implementierungen. Ergebnisse sollten sowohl mit idealisierten Simulatoren als auch mit realistischen Rauschmodellen und verfügbarer Hardware geprüft werden.

Ohne einheitliche Benchmarks lassen sich Fortschritte schwer beurteilen. Unterschiedliche Studien verwenden oft andere Datenaufteilungen, Client-Zahlen, Schaltkreise und Vergleichsmodelle. Dadurch kann eine scheinbare Verbesserung aus dem Versuchsaufbau statt aus dem Verfahren stammen.

Nachweis eines praktischen Quantenvorteils

Der zentrale Forschungsmaßstab ist nicht, ob ein quantenbasiertes Modell trainiert werden kann. Entscheidend ist, ob es eine relevante Aufgabe unter realistischen Bedingungen besser löst als die beste praktikable klassische Alternative.

Ein praktischer Quantenvorteil könnte sich durch höhere Genauigkeit, geringere Kommunikation, schnellere Konvergenz, stärkeren Datenschutz oder niedrigeren Gesamtaufwand zeigen. Jede dieser Aussagen muss mit einer vollständigen Kostenanalyse verbunden sein.

Zur Gesamtzeit gehören Datenvorbereitung, Kodierung, Warteschlangen beim Quantenanbieter, Schaltkreisausführung, Messwiederholungen, Optimierung, Kommunikation und Aggregation. Erst die End-to-End-Betrachtung zeigt, ob ein Vorteil tatsächlich besteht.

Zukunftsperspektiven

Kurzfristige Entwicklung

Kurzfristig wird Cross-Device Federated Learning überwiegend klassisch bleiben. Fortschritte sind vor allem bei effizienterem On-Device-Training, personalisierten Modellen, sicherer Aggregation und Differential Privacy zu erwarten.

Der stärkste unmittelbare Quanteneinfluss liegt wahrscheinlich in der Migration der Kommunikationsinfrastruktur zu Post-Quanten-Kryptografie. Dies schützt langfristig gespeicherte Daten und Modellupdates vor späteren Entschlüsselungsangriffen, ohne Quantenhardware auf den Endgeräten vorauszusetzen.

Mittelfristige Entwicklung

Mittelfristig sind hybride Modelle denkbar, bei denen spezialisierte Clients oder Edge-Knoten auf Quanten-Cloud-Ressourcen zugreifen. Kleine parametrisierte Quantenschaltkreise könnten als Merkmalsabbildungen oder trainierbare Module in klassische Modelle eingebettet werden.

Besonders geeignet erscheinen Anwendungen, in denen bereits Quantenhardware oder Quantensensorik vorhanden ist. Dort entsteht kein künstlicher Anwendungsfall, sondern ein realer Bedarf an verteilter Kalibrierung, Fehleranalyse oder Netzkontrolle.

Langfristige Entwicklung

Langfristig könnten Quantennetzwerke mehrere Prozessoren, Sensoren und Speicher verbinden. Föderierte Lernverfahren müssten dann klassische und quantenmechanische Informationen gemeinsam verwalten. Die Grenzen zwischen verteiltem Quantencomputing, Quantum Machine Learning und Federated Learning würden zunehmend verschwimmen.

Ein solches System setzt fehlertolerante Quantenprozessoren, zuverlässige Quantenspeicher und standardisierte Netzwerkschnittstellen voraus. Diese Voraussetzungen sind technisch anspruchsvoll und zeitlich nicht sicher vorherzusagen.

Fazit

Cross-Device Federated Learning ermöglicht das gemeinsame Training eines Modells über eine große Zahl dezentraler Endgeräte, ohne die vollständigen Rohdaten zentral zusammenzuführen. Seine Kernprobleme entstehen aus wechselnder Geräteverfügbarkeit, heterogenen Daten, begrenzter Bandbreite, unterschiedlicher Hardware und komplexen Sicherheitsanforderungen.

Die lokale Speicherung der Daten reduziert bestimmte Risiken, stellt aber keinen vollständigen Datenschutz dar. Modellupdates können Informationen offenlegen, Clients können den Lernprozess manipulieren und ein zentraler Koordinator bleibt eine einflussreiche Systemkomponente. Sichere Aggregation, Differential Privacy, robuste Aggregation und langfristig geeignete kryptografische Verfahren sind deshalb wesentliche Bestandteile einer belastbaren Architektur.

Der Bezug zur Quantentechnologie ist nicht automatisch gegeben. Er entsteht durch quantenbasierte Modelle, Quantensensoren, Quantenkommunikation, Quantenprozessoren oder quantensichere Sicherheitsmechanismen. Die derzeit realistischste Form ist ein hybrides Quantum Federated Learning, bei dem klassische Endgeräte und Server mit kleinen quantenbasierten Modellkomponenten verbunden werden.

Vollständig quantenbasierte Cross-Device-Systeme sind gegenwärtig eine Forschungsvision. Die notwendige mobile Quantenhardware, verteilte Quantenkommunikation und fehlertolerante Infrastruktur stehen noch nicht in einer Form zur Verfügung, die mit heutigen klassischen Gerätepopulationen vergleichbar wäre.

Der wissenschaftliche Wert des Feldes liegt dennoch in der Verbindung mehrerer zentraler Zukunftsfragen: dezentrales Lernen, Schutz lokaler Daten, effiziente Edge-Verarbeitung, sichere Kommunikation und verteilte Quantenressourcen. Der praktische Erfolg wird davon abhängen, ob quantenbasierte Verfahren bei realistischen Aufgaben einen messbaren Vorteil gegenüber starken klassischen Lösungen erreichen.

Eine sachliche Bewertung muss daher drei Ebenen trennen: erstens das bereits praktisch etablierte klassische Cross-Device Federated Learning, zweitens experimentelle hybride Quanten-Klassik-Modelle und drittens langfristige vollständig quantenbasierte Netzwerke. Nur diese klare Trennung verhindert, dass theoretische Möglichkeiten mit verfügbarer Technologie verwechselt werden.

Mit freundlichen Grüßen Jörg-Owe Schneppat

Anhang

Wissenschaftliche Zeitschriften und Artikel

Die nachfolgend aufgeführten wissenschaftlichen Arbeiten bilden die fachliche Grundlage für eine belastbare Darstellung des Cross-Device Federated Learning. Die Auswahl unterscheidet zwischen grundlegender Primärliteratur, Arbeiten zu realen Cross-Device-Systemen, Sicherheits- und Datenschutzforschung sowie spezialisierten Veröffentlichungen an der Schnittstelle zwischen Federated Learning und Quantentechnologie.

Grundlegende Primärliteratur zu Cross-Device Federated Learning

  • H. Brendan McMahan, Eider Moore, Daniel Ramage, Seth Hampson und Blaise Agüera y Arcas: Communication-Efficient Learning of Deep Networks from Decentralized Data, Proceedings of the 20th International Conference on Artificial Intelligence and Statistics, PMLR 54, 2017.
    • Diese Arbeit gehört zur grundlegenden Primärliteratur des modernen Federated Learning. Sie führt das Verfahren Federated Averaging ein und untersucht das gemeinsame Training neuronaler Netze auf dezentral gespeicherten, unausgewogenen und nicht identisch verteilten Daten. Für eine Abhandlung über Cross-Device Federated Learning eignet sie sich insbesondere zur Erklärung der Trainingsrunden, der lokalen Optimierung, der gewichteten Modellaggregation und der Kommunikationseffizienz.
  • Keith Bonawitz et al.: Towards Federated Learning at Scale: System Design, Proceedings of Machine Learning and Systems 1, 2019.
    • Die Veröffentlichung beschreibt die Systemarchitektur eines großskaligen Federated-Learning-Dienstes für mobile Endgeräte. Behandelt werden unter anderem Client-Auswahl, Geräteverfügbarkeit, Fehlertoleranz, Modellverteilung, Aggregation und operative Anforderungen. Die Arbeit ist für den Cross-Device-Schwerpunkt besonders wichtig, da sie nicht nur einen Lernalgorithmus, sondern die technische Infrastruktur realer Gerätepopulationen betrachtet.
  • Andrew Hard et al.: Federated Learning for Mobile Keyboard Prediction, arXiv, 2018.
    • Diese anwendungsorientierte Arbeit untersucht das föderierte Training eines Sprachmodells für die Wortvorhersage auf mobilen Tastaturen. Sie demonstriert, wie lokal erzeugte Nutzerdaten auf Smartphones verarbeitet werden können, ohne die vollständigen Eingabedaten an einen zentralen Trainingsserver zu übertragen. Die Quelle eignet sich als konkretes Beispiel für die praktische Bedeutung von Cross-Device Federated Learning.
  • Qiang Yang, Yang Liu, Tianjian Chen und Yongxin Tong: Federated Machine Learning: Concept and Applications, ACM Transactions on Intelligent Systems and Technology 10, Artikel 12, 2019.
    • Der Artikel liefert eine systematische begriffliche Einordnung des Federated Learning und grenzt horizontales, vertikales und transferbasiertes föderiertes Lernen voneinander ab. Für eine Cross-Device-Abhandlung kann er genutzt werden, um den betrachteten Anwendungsfall gegenüber institutionellen Cross-Silo-Architekturen und anderen Formen verteilter Datenorganisation abzugrenzen.
  • Peter Kairouz et al.: Advances and Open Problems in Federated Learning, Foundations and Trends in Machine Learning 14, Nummer 1–2, 2021.
    • Diese umfangreiche Überblicksarbeit fasst die zentralen Forschungsgebiete des Federated Learning zusammen. Sie behandelt Optimierung, Datenschutz, Sicherheit, Fairness, Kommunikation, Personalisierung und Systemarchitektur. Für die Abhandlung ist sie als übergeordnete Referenz geeignet, um Einzelfragen in den allgemeinen Forschungsstand einzuordnen und offene Probleme klar von bereits etablierten Verfahren zu trennen.

Spezialisierte Arbeiten zu System- und Datenheterogenität

  • Tian Li, Anit Kumar Sahu, Manzil Zaheer, Maziar Sanjabi, Ameet Talwalkar und Virginia Smith: Federated Optimization in Heterogeneous Networks, Proceedings of Machine Learning and Systems 2, 2020.
    • Die Arbeit führt FedProx als Erweiterung von Federated Averaging ein und untersucht Probleme, die aus unterschiedlichen lokalen Datenverteilungen und verschieden leistungsfähigen Geräten entstehen. Sie ist für Cross-Device Federated Learning besonders relevant, weil langsame Clients, unvollständige lokale Berechnungen und nicht identisch verteilte Daten zu den grundlegenden Eigenschaften realer Gerätepopulationen gehören.
  • Wei Yang Bryan Lim et al.: Federated Learning in Mobile Edge Networks: A Comprehensive Survey, IEEE Communications Surveys & Tutorials 22, Nummer 3, 2020.
    • Diese Überblicksarbeit verbindet Federated Learning mit mobilen Edge-Netzen und untersucht Kommunikation, Ressourcenverteilung, Geräteheterogenität, Datenschutz und drahtlose Übertragungsbedingungen. Sie eignet sich zur Einordnung von Smartphones, Fahrzeugen, Sensoren und Internet-of-Things-Geräten in eine umfassendere Edge-Computing-Architektur.

Spezialisierte Arbeiten zu Datenschutz und sicherer Aggregation

  • Keith Bonawitz et al.: Practical Secure Aggregation for Privacy-Preserving Machine Learning, Proceedings of the 2017 ACM SIGSAC Conference on Computer and Communications Security, 2017.
    • Diese Primärarbeit beschreibt ein fehlertolerantes Protokoll, mit dem ein Server die Summe hochdimensionaler Client-Aktualisierungen berechnen kann, ohne die einzelnen Beiträge im Klartext zu erhalten. Die Quelle ist zentral für die Erläuterung sicherer Aggregation in Cross-Device-Systemen und zeigt zugleich, weshalb Verbindungsabbrüche und wechselnde Teilnehmer kryptografisch berücksichtigt werden müssen.
  • H. Brendan McMahan, Daniel Ramage, Kunal Talwar und Li Zhang: Learning Differentially Private Recurrent Language Models, International Conference on Learning Representations, 2018.
    • Die Arbeit untersucht Differential Privacy auf Nutzerebene beim föderierten Training von Sprachmodellen. Sie ist besonders nützlich, um zu zeigen, dass lokale Datenhaltung allein keinen formalen Datenschutz garantiert. In der Abhandlung kann sie als Grundlage für Datenschutzbudgets, Begrenzung einzelner Client-Beiträge und kontrollierte Rauschzugabe verwendet werden.

Primärliteratur zu Quantum Federated Learning

  • Samuel Yen-Chi Chen und Shinjae Yoo: Federated Quantum Machine Learning, Entropy 23, Artikel 460, 2021.
    • Diese Arbeit gehört zu den frühen Primärveröffentlichungen des Quantum Federated Learning. Sie untersucht das föderierte Training hybrider quantenklassischer Modelle und zeigt, wie Parameter lokaler Quantenschaltkreise über einen klassischen Koordinator zusammengeführt werden können. Die Quelle eignet sich zur Einführung des hybriden Quantum-Federated-Learning-Modells und zur Abgrenzung von vollständig quantenbasierten Netzwerken.
  • Qi Xia und Qun Li: QuantumFed: A Federated Learning Framework for Collaborative Quantum Training, IEEE Global Communications Conference, 2021.
    • QuantumFed untersucht eine Architektur, in der mehrere Quantenknoten mit lokalen Daten gemeinsam ein globales Quantenmodell trainieren. Die Arbeit ist als Primärquelle für kollaboratives Training verteilter Quantenschaltkreise geeignet. Sie kann außerdem genutzt werden, um die Voraussetzungen quantenfähiger Clients und die Grenzen rein klassischer Parameteraggregation zu diskutieren.
  • Weikang Li, Sirui Lu und Dong-Ling Deng: Quantum Federated Learning through Blind Quantum Computing, Science China Physics, Mechanics & Astronomy 64, Artikel 100312, 2021.
    • Die Arbeit verbindet föderiertes Quantenlernen mit Blind Quantum Computing. Sie ist für die Untersuchung von Szenarien relevant, in denen ein Client quantenmechanische Berechnungen an einen entfernten Quantenserver delegiert, ohne dem Server sämtliche Eingaben und Berechnungsdetails offenzulegen. In der Abhandlung kann sie als Spezialliteratur zu delegiertem, datenschutzorientiertem Quantenrechnen verwendet werden.
  • Mahdi Chehimi, Samuel Yen-Chi Chen, Walid Saad, Don Towsley und Mérouane Debbah: Foundations of Quantum Federated Learning Over Classical and Quantum Networks, IEEE Network 38, Nummer 1, 2024.
    • Die Veröffentlichung analysiert grundlegende Architekturen des Quantum Federated Learning über klassische und quantenmechanische Kommunikationsnetze. Sie behandelt Modellplatzierung, Kommunikation, Sicherheit und technische Voraussetzungen. Die Quelle eignet sich zur systematischen Darstellung möglicher Netzwerkebenen und zur Trennung heutiger hybrider Systeme von langfristigen Quanteninternet-Szenarien.
  • Yue Song et al.: A Quantum Federated Learning Framework for Classical Clients, Science China Physics, Mechanics & Astronomy 67, Artikel 250311, 2024.
    • Diese Arbeit untersucht ein Quantum-Federated-Learning-Modell, bei dem klassische Clients ohne eigene vollständige Quantenhardware in eine quantenbasierte Lernarchitektur einbezogen werden. Sie ist besonders relevant für realistische Übergangsszenarien, weil kurzfristig nicht von einer flächendeckenden Ausstattung mobiler Endgeräte mit Quantenprozessoren ausgegangen werden kann.

Hintergrundliteratur zu Quantum Machine Learning und NISQ-Systemen

  • Jacob Biamonte et al.: Quantum Machine Learning, Nature 549, Seiten 195–202, 2017.
    • Der Artikel gehört zur grundlegenden Überblicksliteratur des Quantum Machine Learning. Er ordnet zentrale quantenbasierte Lernansätze ein und verdeutlicht, welche Arten von Daten, Algorithmen und Hardwaremodellen unterschieden werden müssen. Für die Abhandlung dient er zur fachlichen Einbettung des Quantum Federated Learning in das größere Forschungsgebiet.
  • M. Cerezo et al.: Variational Quantum Algorithms, Nature Reviews Physics 3, Seiten 625–644, 2021.
    • Diese Überblicksarbeit erklärt variationale Quantenalgorithmen, ihre hybriden Optimierungsschleifen und ihre technischen Grenzen. Da viele Quantum-Federated-Learning-Modelle parametrisierte Quantenschaltkreise verwenden, ist die Quelle für die Beschreibung lokaler Quantenmodelle, klassischer Optimierer, Messkosten und Trainingsprobleme besonders geeignet.
  • John Preskill: Quantum Computing in the NISQ Era and Beyond, Quantum 2, Artikel 79, 2018.
    • Preskill prägt und erläutert den Begriff der Noisy Intermediate-Scale Quantum Devices. Die Arbeit ist wichtig, um den realistischen Hardwarestand kleiner und fehleranfälliger Quantenprozessoren zu beschreiben. In einer Abhandlung zu Cross-Device Federated Learning verhindert sie, dass theoretische Quantenmodelle mit praktisch verfügbarer Hardware gleichgesetzt werden.
  • Jarrod R. McClean, Sergio Boixo, Vadim N. Smelyanskiy, Ryan Babbush und Hartmut Neven: Barren Plateaus in Quantum Neural Network Training Landscapes, Nature Communications 9, Artikel 4812, 2018.
    • Die Arbeit beschreibt verschwindende Gradienten in bestimmten parametrisierten Quantenschaltkreisen. Dieses Problem ist für föderiertes Quantentraining besonders bedeutsam, weil Messrauschen, unterschiedliche Hardware und heterogene lokale Daten die Optimierung zusätzlich erschweren. Die Quelle eignet sich zur kritischen Bewertung der Skalierbarkeit variationaler Quantenmodelle.

Bücher und Monographien

Die folgenden Bücher und Monographien dienen nicht ausschließlich als Nachweise einzelner Forschungsergebnisse. Sie stellen zusammenhängende Begriffs-, Methoden- und Theoriegrundlagen bereit. Für eine wissenschaftliche Abhandlung sind sie besonders geeignet, wenn mathematische Definitionen, Sicherheitsmodelle oder quantenmechanische Grundlagen systematisch entwickelt werden sollen.

Standardwerke zu Federated Learning und Datenschutz

  • Qiang Yang, Yang Liu, Yong Cheng, Yan Kang, Tianjian Chen und Han Yu: Federated Learning, Morgan & Claypool Publishers, 2019.
    • Die Monographie vermittelt eine zusammenhängende Einführung in Architekturen, Datenschutzverfahren, Sicherheitsmechanismen und Anwendungsfelder des Federated Learning. Sie eignet sich als Grundlagenliteratur zur Definition des Themenfeldes und zur Einordnung von Cross-Device-, Cross-Silo-, horizontalen und vertikalen Verfahren.
  • Cynthia Dwork und Aaron Roth: The Algorithmic Foundations of Differential Privacy, Foundations and Trends in Theoretical Computer Science 9, Nummer 3–4, Now Publishers, 2014.
    • Dieses Standardwerk entwickelt die mathematischen und algorithmischen Grundlagen der Differential Privacy. Für Cross-Device Federated Learning ist es relevant, weil Datenschutzgarantien auf Nutzer- oder Datensatzebene nur auf Grundlage formaler Definitionen und nachvollziehbarer Datenschutzbudgets bewertet werden können.

Standardwerke zur Quanteninformation

  • Michael A. Nielsen und Isaac L. Chuang: Quantum Computation and Quantum Information, 10th Anniversary Edition, Cambridge University Press, 2010.
    • Dieses Werk zählt zu den maßgeblichen Standardbüchern der Quanteninformation. Es behandelt Qubits, Quantenschaltkreise, Messungen, Quantenalgorithmen, Quantenkommunikation, Fehlerkorrektur und Kryptografie. Für die Abhandlung liefert es die physikalischen und mathematischen Grundlagen, die zur sachgerechten Bewertung quantenbasierter Clients und Netzwerke erforderlich sind.
  • Maria Schuld und Francesco Petruccione: Supervised Learning with Quantum Computers, Springer, 2018.
    • Das Buch führt systematisch in überwachtes Quantum Machine Learning ein. Es verbindet klassische Lernkonzepte mit quantenmechanischen Datenrepräsentationen und Algorithmen. In der Abhandlung kann es zur Erklärung von Quantenklassifikatoren, Datenkodierung und frühen Formen hybrider Quantenmodelle verwendet werden.
  • Maria Schuld und Francesco Petruccione: Machine Learning with Quantum Computers, Springer, 2021.
    • Die erweiterte Darstellung behandelt variationale Quantenschaltkreise, Quantenkernel, fehlertolerante Lernverfahren und mögliche Quantenvorteile. Sie eignet sich zur fachlichen Vertiefung des Quantum-Machine-Learning-Anteils und zur kritischen Diskussion darüber, unter welchen Voraussetzungen ein quantenbasiertes Modell tatsächlich einen praktischen Mehrwert erreichen könnte.

Vorlesungsnotizen und monographienahe Ressourcen

  • John Preskill: Lecture Notes for Physics 219 – Quantum Computation, California Institute of Technology.
    • Die frei verfügbaren Vorlesungsnotizen behandeln Quantenzustände, Messungen, Verschränkung, Quantenalgorithmen, Quanteninformation und Fehlerkorrektur. Sie eignen sich als vertiefende Hintergrundquelle für Begriffe, die in einer Abhandlung über quantenfähige Endgeräte, Quantennetzwerke oder verteilte Quantenmodelle präzise erklärt werden müssen.
  • John Watrous: The Theory of Quantum Information, Cambridge University Press, 2018.
    • Das Werk bietet eine mathematisch präzise Behandlung von Quantenzuständen, Kanälen, Entropie, Verschränkung und Informationsübertragung. Es ist besonders hilfreich, wenn die Abhandlung über eine allgemeine Einführung hinausgeht und Aussagen zu Quantenkommunikation, Zustandsvergleich oder Informationssicherheit formal absichern soll.

Online-Ressourcen und Datenbanken

Online-Ressourcen sind für dieses Themenfeld unverzichtbar, da sich sowohl Federated Learning als auch Quantum Machine Learning schnell weiterentwickeln. Die folgenden Angebote sollten nicht unkritisch als wissenschaftliche Belege behandelt werden. Sie dienen der Literaturrecherche, der Überprüfung bibliografischer Angaben, dem Zugriff auf Primärveröffentlichungen und der reproduzierbaren Erprobung von Lern- und Quantenmodellen.

Literaturdatenbanken und Repositorien

  • arXiv: Offenes Repositorium für wissenschaftliche Vorabveröffentlichungen.
    • arXiv ist eine zentrale Recherchequelle für aktuelle Arbeiten zu Federated Learning, Quantum Machine Learning, Quanteninformation und verteiltem Quantencomputing. Da viele Beiträge vor dem formalen Begutachtungsverfahren veröffentlicht werden, sollten Versionsstand und spätere Journal- oder Konferenzfassungen stets geprüft werden.
  • DBLP: Bibliografische Datenbank für Informatik und angrenzende Forschungsgebiete.
    • DBLP eignet sich zur Überprüfung von Autorennamen, Publikationsorten, Erscheinungsjahren und Konferenzfassungen. Die Datenbank ist besonders nützlich, um Preprints von späteren begutachteten Veröffentlichungen zu unterscheiden und zusammengehörige Publikationsversionen zu finden.
  • Crossref: DOI- und Metadatensuche für wissenschaftliche Veröffentlichungen.
    • Crossref sollte zur Kontrolle von DOI, Titel, Autorenschaft und Veröffentlichungsjahr eingesetzt werden. Die Ressource ist besonders hilfreich, wenn ein Artikel sowohl als Preprint als auch als Journal- oder Konferenzfassung vorliegt und die zitierfähige Endfassung bestimmt werden soll.
  • Google Scholar: Fachübergreifende Suchmaschine für wissenschaftliche Literatur.
    • Google Scholar eignet sich zur Identifikation zitierender und thematisch verwandter Arbeiten. Die Plattform ist eine Recherchehilfe, ersetzt jedoch nicht die Prüfung der Originalquelle. Automatisch erzeugte bibliografische Angaben sollten vor der Übernahme mit der Verlagsseite oder dem DOI-Datensatz abgeglichen werden.

Fachjournale und Verlage

  • Proceedings of Machine Learning Research: Offenes Archiv begutachteter Konferenzveröffentlichungen.
    • PMLR stellt zahlreiche grundlegende Arbeiten des maschinellen Lernens frei zur Verfügung. Für das Thema Cross-Device Federated Learning ist das Archiv insbesondere wegen der ursprünglichen Federated-Averaging-Arbeit und weiterer Veröffentlichungen zu Optimierung und Datenschutz relevant.
  • Proceedings of Machine Learning and Systems: Veröffentlichungsplattform für maschinelles Lernen und Systemarchitektur.
    • MLSys veröffentlicht Arbeiten, die Lernalgorithmen mit realen Rechen-, Kommunikations- und Infrastrukturanforderungen verbinden. Für Cross-Device Federated Learning ist diese Perspektive entscheidend, weil Geräteverfügbarkeit, Laufzeit, Skalierung und Systemheterogenität nicht allein durch mathematische Optimierung beschrieben werden können.
  • IEEE Xplore: Digitale Bibliothek für Elektrotechnik, Informatik, Kommunikation und Quantentechnologie.
    • IEEE Xplore ist eine zentrale Quelle für Arbeiten zu mobilen Netzen, Edge Computing, Federated Learning, Quantenkommunikation und Quantum Federated Learning. Die Plattform sollte zur Prüfung der endgültigen Konferenz- oder Journalfassung und der zugehörigen DOI-Angaben verwendet werden.
  • ACM Digital Library: Digitale Fachbibliothek der Association for Computing Machinery.
    • Die ACM Digital Library enthält wichtige Arbeiten zu verteilten Systemen, maschinellem Lernen, Kryptografie und sicherer Aggregation. Sie ist besonders relevant für die Untersuchung der Systemsicherheit und der praktischen Protokolle hinter dem Cross-Device Federated Learning.
  • Nature Portfolio: Fachzeitschriften zu Quantenphysik, Quanteninformation und maschinellem Lernen.
    • Nature, Nature Communications, Nature Physics und Nature Reviews Physics veröffentlichen grundlegende sowie zusammenfassende Arbeiten zu Quantum Machine Learning, NISQ-Hardware und variationalen Quantenalgorithmen. Die Plattform eignet sich vor allem zur fachlichen Einordnung des quantentechnologischen Hintergrunds.
  • SpringerLink: Fachportal für wissenschaftliche Zeitschriften, Bücher und Konferenzbände.
    • SpringerLink bietet Zugriff auf Standardwerke zur Quanteninformation und auf spezialisierte Veröffentlichungen zu Quantum Federated Learning. Die Plattform ist besonders hilfreich, um bibliografische Angaben, DOI, Versionsstand und zugehörige Buch- oder Journalinformationen zu prüfen.
  • Quantum: Open-Access-Journal für Quantenwissenschaft und Quantentechnologie.
    • Das Journal veröffentlicht begutachtete Arbeiten zu Quantencomputing, Quantenalgorithmen, Fehlerkorrektur und Quanteninformation. Es ist als frei zugängliche Primärquelle geeignet und ermöglicht die direkte Prüfung von Artikeln und DOI-Angaben.

Lern- und Forschungsplattformen

  • TensorFlow Federated: Forschungsframework für Berechnungen auf dezentralen Daten.
    • TensorFlow Federated ermöglicht die Modellierung und Simulation föderierter Lernprozesse. Die Plattform eignet sich für reproduzierbare Versuche zu Client-Daten, Aggregationsverfahren und föderierter Evaluation. Sie bildet jedoch nicht automatisch alle betrieblichen Eigenschaften einer realen mobilen Gerätepopulation ab.
  • Flower: Framework für Simulation und Implementierung föderierter Lernsysteme.
    • Flower unterstützt unterschiedliche klassische Machine-Learning-Frameworks und kann sowohl für Simulationen als auch für verteilte Experimente genutzt werden. Für eine wissenschaftliche Abhandlung ist die Plattform als methodische Ressource geeignet, wenn Cross-Device-Szenarien, heterogene Clients oder alternative Aggregationsverfahren praktisch demonstriert werden sollen.
  • Qiskit Machine Learning: Softwarebibliothek für Quantum Machine Learning und hybride Quantenmodelle.
    • Qiskit Machine Learning stellt Quantenkernel, Quantennetzwerke, Klassifikatoren, Regressionsmodelle und Schnittstellen zu klassischen Lernframeworks bereit. Die Plattform eignet sich zur prototypischen Umsetzung parametrischer Quantenschaltkreise, die in einem hybriden Quantum-Federated-Learning-System lokal oder über einen Quanten-Cloud-Dienst trainiert werden könnten.
  • PennyLane Learn: Lern- und Forschungsplattform für differenzierbares Quantencomputing und Quantum Machine Learning.
    • PennyLane bietet Tutorials zu parametrisierten Quantenschaltkreisen, automatischer Differentiation und hybriden quantenklassischen Modellen. Die Ressource eignet sich zur methodischen Vertiefung der lokalen Quantenmodelle, die in vielen experimentellen Quantum-Federated-Learning-Architekturen verwendet werden.
SU(2)k-Anyonen

SU(2)_k-Anyonen

...

Relativistic Heavy Ion Collider (RHIC)

Relativistic Heavy Ion Collider (RHIC)

...

Super Proton-Proton Collider (SPPC)

Super Proton-Proton Collider (SPPC)

...

Fluxonium-Qubit

Fluxonium-Qubit

...

Partially Observable Markov Decision Process (POMDP)

Partially Observable Markov Decision Process (POMDP)

...

Magnon

Magnon

...