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

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

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

本研究旨在解决传统机器学习方法中数据隐私与信息安全的缺陷。通过将全同态加密技术应用于联邦学习神经网络架构，结合经典与量子层，提出了一种新颖的计算范式，显著提升了安全性并降低了性能损失。该工作为隐私保护的机器学习系统提供了新的实现机会，具有重要的潜在影响。

Sep, 2024

本研究针对传统机器学习方法中数据隐私和安全性问题进行探讨，提出将全同态加密和量子计算相结合的联邦学习新架构。该方法能够在保障数据隐私的同时，提升计算效率，并减少安全隐患。研究结果显示，此新架构在性能与安全性之间达成良好平衡，具有广泛的应用潜力。

Sep, 2024