量子网络中的量子联合学习
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
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
提出了基于量子张量网络的联邦学习框架，通过多体量子物理原理充分利用，进行了不平衡数据分布下的差分隐私分析，实验结果显示，联邦量子张量网络模型在医疗图像数据集上达到了 0.91-0.98 的平均接收者操作特征曲线下面积（ROC-AUC），在医疗院所之间的不平衡数据分布下，量子联邦全局模型表现出更好的泛化性能和鲁棒性，实现了更高的测试准确率，超过了本地训练客户端的表现。
May, 2024
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
本研究探索了量子联邦学习作为一个框架，通过分布式网络来训练量子机器学习模型的创新领域。我们提出的联邦量子神经网络框架是一种前沿解决方案，将量子机器学习的独特特性与经典联邦学习的原理融合在一起。通过在不同数据集上进行的实验证明，我们的 FedQNN 框架具有很强的适应性和功效，可以在分布式环境中安全处理数据并促进合作学习，结果在三个不同数据集上始终保持超过 86% 的准确率，证明了它在进行各种量子机器学习任务上的适用性。我们的研究不仅确定了传统范式的局限性，还提出了一个新的框架，推动量子机器学习领域进入一个新时代的安全和协作创新。
Mar, 2024
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
研究提出了一种基于联邦学习的量化算法 FTTQ 和三值联邦平均协议 T-FedAvg，能够显著降低联邦学习系统的通信成本，并在 IID 数据上实现微小的性能提升。
Mar, 2020
该研究表明机器学习可以被用于识别量子通信中的重要协议，包括量子纠缠、量子隐形传态、量子中继，同时可以找到改进长距离通信方案的方法，并通过使用 projective simulation 模型的学习代理训练，以用于将机器学习引入量子网络设计与实现中。
Apr, 2019