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

量子差分隐私通过添加经典和量子噪声，以及研究邻接量子状态的概念，提供了更强的隐私保证，并通过实证估计不同差分隐私测量方式的认证对抗性鲁棒性。

Jul, 2023

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

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

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

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

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

本研究解决了在量子学习模型中保护客户端私密数据的关键问题。通过引入量子同态加密方案，提出了一种可保证计算理论数据隐私的量子委托和联合学习框架。研究表明，该框架在学习和推理过程中具有明显较低的通信复杂性，对未来安全相关应用具有重要影响。

Sep, 2024

本研究解决了量子计算时代隐私保护和可扩展性方面的挑战，提出了一种实用的量子联邦学习框架。通过利用分布式量子秘密密钥来保护本地模型更新，实验验证显示该框架在分类量子数据集方面显著提高了全球模型的能力，并通过先进的模型压缩技术减少了75%的通信成本，展示了其在量子互联网时代构建高效安全机器学习系统的潜力。

Jan, 2025