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

本文提出SlimQFL（一种动态的QFL框架），其利用QNN的角参数和极参数可以分别训练和动态利用的特性，在时间变化的通信渠道和计算能力受限的情况下，相比传统的QFL方法，SlimQFL能够实现更高的分类准确性。

Jul, 2022

该研究提出了一种在机器学习系统中扩展现有领域特定的建模驱动工具来支持量子联邦学习的方法，该方法可以为开发人员提供一个从底层到联邦学习库的抽象层，以实现量子机器学习的最新技术。

Apr, 2023

本篇综述对于交汇了量子计算和联邦学习的新兴跨学科领域——量子联邦学习进行了全面细致的探讨，并提出了一种用于分类的独特的QFL技术分类法，旨在为研究人员和从业人员在数据隐私、安全和资源优化等方面的技术创新和应用提供一个前所未有的综合指南。

Jun, 2023

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

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

综合调查了联邦基础模型（FedFM）领域，阐明了其与联邦学习（FL）的协同关系，并探索了FL研究领域在基础模型时代需要关注的新方法、挑战和未来方向。提出了一种系统的多层次分类法，对现有的FedFM方法进行了分类。全面讨论了关键挑战，包括如何使FL处理高复杂性的计算需求、隐私考虑、贡献评估和通信效率。这项调查强调了在FedFM领域进行进一步研究以推动创新的重要性，强调了开发可信解决方案的需求。作为研究人员和从业者参与这个跨学科和快速发展领域的基础指南。

Apr, 2024

基于量子网络的量子联邦学习（QFL）是一个新兴的概念，旨在在量子网络上展开联邦学习（FL），实现协同的量子模型训练并保护本地数据隐私。本研究探讨了在云平台上部署QFL所面临的挑战，强调了量子复杂性和平台限制。提出的以数据编码驱动的QFL，在量子模拟器上使用基因组数据集（GitHub开源）的概念验证中展示了有希望的结果。

May, 2024

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