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

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

本文研究了数据编码策略对参数化量子电路作为函数逼近器的表达能力的影响，发现量子模型可以被自然地写成数据的部分傅里叶级数，通过多次反复简单的数据编码门，量子模型可以访问越来越丰富的频率光谱，发现存在一些量子模型可以实现所有可能的傅里叶系数集，因此如果可访问频谱足够丰富，则这些模型是通用函数逼近器。

Aug, 2020

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。

Mar, 2021

本文提出了一种用于监督学习的低深度可变量量子算法，其使用参数化单个和双量子位门的量子电路以及单量子位测量来编码输入特征向量并进行分类，从而实现了可学习参数数量与输入维度的多项式对数关系。通过模拟，该电路为标准经典基准数据集提供了很好的分类性能，而且需要的参数数量极少。

Apr, 2018

证明了结构简单的 PQCs 在生成任务中具有比任何经典神经网络更好的表达能力，PQCs 在贝叶斯学习和半监督学习中的应用前景广阔。

Oct, 2018

在嘈杂的中间尺度量子时代，基于变分量子算法（VQA）以提供量子优势而出现为一条有希望的途径。在本研究中，我们提出并数值上证明了一种新颖的 VQA 方法，利用随机量子电路生成变分波函数，并通过人工神经网络对这些随机电路的分布函数进行参数化优化以找到解决方案。这种随机电路的方法在变分波函数的表达能力和量子电路采样成本方面存在着一种权衡关系。在给定的门数量下，我们可以通过扩展量子计算时间来系统地增加表达能力。在足够大的时间成本允许下，变分波函数可以以任意精度近似任意量子态。此外，我们建立了变分量子本征求解器的表达能力、时间成本和门数量之间的明确关系。这些结果突出了随机电路方法在实现量子计算中高表达能力方面的潜在前景。

Dec, 2023

保证数据隐私在机器学习模型中至关重要，尤其是在分布式环境中，其中模型梯度通常在多个参与方之间共享，以实现协同学习。该研究揭示了基于量子机器学习模型的梯度中恢复输入数据的困难程度，并发现了动力学李代数在决定隐私漏洞方面的重要作用。研究结果显示，作为学习模型的变分量子电路的动力学李代数的某些特性可能导致隐私泄露，使得能够从输入数据的快照中训练用于不同学习任务的变分量子电路模型。此外，研究还探讨了从这些快照中恢复原始输入数据的条件，建立了与编码映射、动力学李代数基的重合度以及傅里叶频率特性等相关的条件，从而使得用于近似多项式时间恢复原始输入数据的经典或量子辅助方法成为可能。因此，该研究的发现对于指导设计平衡可训练性和强大隐私保护的量子机器学习模型的要求至关重要。

May, 2024

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

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