该研究提出了一种名为 QuMoS 的框架，该框架通过在多个云提供商之间分发 QML 模型而不是应用加密算法来保护模型安全，并且使用强化学习算法自动优化在分布式环境下的模型设计，从而在提供高安全性的同时实现高精度。

Apr, 2023

本篇论文介绍了一个基于后量子密码技术和量子联邦学习的动态服务器选择框架，在研究收敛性和安全条件的基础上做出了实现与结果。

Apr, 2023

利用量子计算和量子机器学习算法在数据处理方面取得了指数级的提速、资源需求的减少以及准确度和效率的提高，本文对量子计算、机器学习和量子机器学习算法进行了探讨，并提供了一个简化的步骤，可以帮助读者建立量子机器学习算法的模拟。此外，通过在数据集上利用机器学习和量子机器学习方法进行模拟，利用量子模拟器对它们的性能进行了比较。

Nov, 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

该研究论文介绍了一种新颖的基于集成的策略，名为 STIQ，用于在云环境中保护 Quantum Neural Networks（QNNs）的安全性，通过同时训练两个不同的 QNNs，并对它们的输出进行混淆，从而有效地掩盖了单个模型的准确度和损失，以增强 QNNs 在云环境中的安全性和完整性。

May, 2024

研究了量子 - 经典混合的架构需求和运行性能基准测试的框架，并针对最有前途的近期量子硬件应用，即变分混合算法，提出两个云平台级别的优化方法 —— 参数编译和主动量子比特重置；最后，展示了将这两个功能集成到 Rigetti Quantum Cloud Services 平台中会显著提高 VHA 算法运行时间的延迟。

Jan, 2020

本文提出了一种高度可移植的量子语言模型 (PQLM)，它可以在经典计算机上向下游任务轻松传输信息，并演示了在经典计算机上将 PQLM 的词嵌入有效地应用于下游任务。该 PQLM 具有与其经典对应物相当的性能，并为量子预训练语言模型的理论基础奠定了基础。

Oct, 2022

本文介绍了利用量子机器学习技术应对网络安全挑战的方法，特别是基于 QSVM 模型在恶意软件分类和保护方面的应用，为网络安全学习者设计并开发了十个基于量子机器学习的学习模块，以实现学生中心化、案例研究为基础的学习方法。其中一个子主题被应用于一个包含预实验、实验和后实验活动的网络安全主题，以提供应对实际安全问题的量子机器学习经验。QSVM 模型在 drebin215 数据集上实现了 95% 的恶意软件分类和保护精度。

Jun, 2023

利用一种创新的分布感知型的 QCQ 架构，将量子硬件和经典计算资源相结合，实现高性能计算，解决材料和凝聚态物理的量子模拟挑战，通过整合量子软件框架、高性能计算资源、量子算法和机器学习，该架构能够在分布式计算环境中有效进行量子状态准备、量子状态分类及量子模拟任务，实现量子 - 高性能计算的可扩展性，加速复杂相变分类任务并提供准确的相变预测。

Mar, 2024

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