我们提出了一种基于量子机器学习的密码分析算法，名为变分量子复制（VQC），可用于获取短深度量子电路的最佳（近似）克隆策略，使密码分析者能够以低计算资源得到硬件有效量子电路，从而提高量子秘钥协商的安全性。

Dec, 2020

本文提出了一个用于量子系统的通用隐私框架，称为量子河豚隐私（QPP），并探讨了其操作和性质，包括用于保护信息隐私，隐私核查和隐私保护机制的组合性。 QPP 更进一步的研究连接了量子公平性和其他的量子隐私保护方法。

Jun, 2023

本研究提出了一种基于量子密码原理的全新架构，可用于对生成模型的成员推理攻击进行保障隐私和安全性，通过量子门和酉算子相结合相较于标准差分隐私技术，在保护安全性方面具有内在优势。

Jul, 2023

该论文提出了一种用于检测量子算法差分隐私违反的正式框架，并使用Tensor Networks数据结构在TensorFlow Quantum和TorchQuantum两个量子扩展机器学习平台上实现了高效的算法，验证了其对各种类型的量子算法的有效性和效率。

Sep, 2023

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

改进的变分量子攻击算法 (VQAA) 提供了针对众所周知的加密算法的强大的量子攻击方法，效率更高，所需量子位数明显较少。我们对对称密钥协议（如S-DES，S-AES和Blowfish）的攻击进行了模拟，结果表明我们的攻击允许一个小型8量子比特量子计算机在24次迭代次数更少的情况下，通过经典模拟找到一个32比特Blowfish实例的秘密密钥。我们的工作还展示了轻量级密码（如S-DES和S-AES）的攻击成功率的改进。此外，我们还讨论了超过对称密钥密码学的应用，包括非对称密钥协议和哈希函数。我们的结果使得使用嘈杂中间规模量子（NISQ）设备评估大型经典加密协议的易受攻击性更加接近，并为量子网络安全性的未来研究奠定了基础。

Nov, 2023

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

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

提出了一个用于保护量子机器学习数据安全的共同设计框架PrisitQ，通过引入一个带有用户定义安全密钥的附加安全量子位加密子电路，可以显著增强数据安全性，并提出了自动搜索算法来优化在加密量子数据上的模型以保持其性能。该框架在模拟和实际IBM量子计算机上的实验结果都证明了PristiQ提供高度安全性的能力，同时在量子机器学习中保持模型性能。

Apr, 2024

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