盲量子计算实现的量子联邦学习

Mar, 2021

Quantum federated learning through blind quantum computing

Weikang Li, Sirui Lu, Dong-Ling Deng

TL;DR本文介绍了一种基于 Blind quantum computing 的量子协议，用于单方委派训练和多方私有分布式学习。该协议在差分隐私的保护下是安全的，并且在实验不完美的情况下具有鲁棒性和处理具有隐私保障的计算密集型分布式学习任务的潜力，为探索机器学习领域中的安全性量子优势提供了有价值的指导。

Abstract

private distributed learning studies the problem of how multiple distributed entities collaboratively train a shared deep network with their private data unrevealed. With the security provided by the protocols of blind quantum computation, the cooperation between quantum physics and ma

private distributed learning blind quantum computation multiparty private distributed learning differential privacy quantum advantage

发现论文，激发创造

利用量子二分量子相关器进行盲量子机器学习

基于量子二分相干算法，我们介绍了新颖的盲量子机器学习协议，具有降低的通信开销，同时保持了来自不可信计算节点的数据隐私。我们引入了具有低计算开销的鲁棒算法特定的隐私保护机制，不需要复杂的密码学技术。通过复杂度和隐私分析，我们验证了提议协议的有效性。我们的研究结果为分布式量子计算铺平了道路，为量子技术时代的隐私感知机器学习应用开辟了新的可能性。

Oct, 2023

隐私保护的量子联邦学习通过梯度隐藏

在分布式量子计算中，隐私保护一直是一个重要挑战，本文提出了两种基于量子状态的联邦学习协议，旨在优化隐私保护措施和通信效率，为高效的基于量子通信的联邦学习协议的发展以及安全的分布式量子机器学习做出了重要贡献。

Dec, 2023

联邦量子机器学习

本文主要介绍了基于量子可逆神经网络（QNN）和经典卷积神经网络 (CNN) 的混合模型，基于联邦学习的分布式训练可以极大地提高训练效率和数据隐私保护，并展示了分布式联邦学习方案对于扩展和隐私方面的有前景的未来研究方向。

Mar, 2021

差分隐私的联合量子机器学习

我们提出了结合量子计算的隐私保护方法，在基于量子的人工智能系统中实现数据泄露和模型反演攻击的全面保护，取得了成功。

Oct, 2023

量子数据联邦学习

本论文提出了第一个完全量子联邦学习框架，该框架可以在量子数据上运行并以分散的方式共享量子电路参数的学习。论文首先生成了第一个分层数据格式的量子联邦数据集，然后将其提供给使用 QCNN 模型的客户端执行分类任务，并对提出的 QFL 解决方案进行广泛的实验以评估和验证其有效性。

May, 2021

量子网络中的量子联合学习

通过在分布式学习方案中使用分散环拓扑结构和量子权重，实现针对深度学习模型的量子联邦学习，从而解决数据安全与训练效率问题。

Oct, 2023

分布式固定设计量子芯片与量子通道的联邦学习

提出了一种量子联邦学习模型，其中固定设计的量子芯片基于由集中服务器发送的量子状态进行操作。

Jan, 2024

量子学习的经典验证

研究利用交互式证明系统框架来进行量子学习的经典验证，通过 “混合超位置” 量子示例提出了针对求解量子难题的新的量子数据访问模型，并证明了经典验证器只需随机例子或统计查询访问，就能有效地验证量子学习。

Jun, 2023

表达丰富的变分量子电路在联邦学习中提供固有的隐私保护

使用具有表达性编码映射和超参数化参量的变分量子电路模型引入了联邦学习，显示了表达性映射对抗梯度反演攻击具有内在隐私保护能力，而超参数化则确保了模型的可训练性。同时，通过数值扩展论证了攻击模型中表达性映射的欠参数化导致丢失地形被大量虚假局部极小点淹没，使得攻击难以成功，从而强有力地宣称量子机器学习模型的本质性质有助于防止联邦学习中的数据泄露。

Sep, 2023

无初始模型的盲联邦学习

使用基于粒子群优化的模糊认知映射方法，实现了支持隐私保护的联邦学习，并在多个公开数据集上得到了提高准确性和精度的结果。

Apr, 2024