Oct, 2023

利用量子二分量子相关器进行盲量子机器学习

PDF
TL;DR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。
发现论文，激发创造
  • 盲量子计算实现的量子联邦学习

    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

  • 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

  • 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

  • 通用盲量子计算

    提出了一种交互协议，使客户端的输入、输出和计算完全保密，并且不需要任何量子计算能力或记忆，可用于经典或量子输入 / 输出；引入身份验证协议，使其可以检测到干扰服务器。此外，作者进一步将其推广到全经典客户端，以在不泄露私密信息的情况下完成盲量子计算。

    Jul, 2008

  • 利用内在噪声进行量子机器学习隐私保护

    利用量子计算中的自然噪声保护量子机器学习模型的数据隐私，在不同次数运行量子电路可以实现目标隐私保护水平。

    Dec, 2023

  • 基于局部操作和嘈杂经典通信的分布式量子协议的量子机器学习

    通过使用量子机器学习工具来优化参数化量子电路的局部处理，以最大化平均保真度和平均成功概率，提出了一种名为 Noise Aware-LOCCNet (NA-LOCCNet) 的方法，对于存在噪声的经典通信，该方法在量子信息处理中的量子纠缠和量子状态区分任务中具有显着优势。

    Jul, 2022

  • 混合量子计算机上的无监督机器学习

    利用量子计算机和贝叶斯优化方法加速解决无监督学习中的聚类问题，并展示出在噪声环境下稳健的表现和经典优化方法的适用性。

    Dec, 2017

  • 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

  • 量子机器学习隐私优势的前景

    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

  • 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