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

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

本文旨在全面概述目前量子联合学习基础，包括了新QFL框架的概念、广泛的应用案例和设计的关键因素，并考虑了各种QFL研究项目的技术贡献和限制，提出了未来研究方向和开放性问题。

Jun, 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

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

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

提出了一种整合了量子长短期记忆（QLSTM）模型和时间数据的新型量子联邦学习（QFL）框架，用于函数逼近任务，实验结果表明，与使用经典LSTM模型的联邦学习框架相比，该框架在本地训练时期内实现更快的收敛速度，减少了总计算量，并节省了收敛所需的通信轮次的25-33%。

Dec, 2023

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