.png){kind=icon}
返回
Characterizing privacy in quantum machine learning
.png){kind=icon}
OA
AI
DOI：10.1038/s41534-025-01022-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
确保机器学习模型中的数据隐私至关重要，尤其是在分布式场景中，模型梯度需在多方之间共享以进行协作学习。受从经典模型梯度中恢复输入数据的成功案例启发，本研究探讨了变分量子电路（VQC）作为量子机器学习模型所面临的类似挑战。我们强调了动态李代数（DLA）在确定隐私漏洞中的关键作用。尽管DLA已被关联至VQC模型的训练性和可模拟性，但我们首次建立了其与隐私保护之间的联系。我们证明，有助于VQC训练性的属性（如多项式大小的DLA）同样会助长对输入细节的提取，造成弱隐私泄露。此外，我们进一步探究了强隐私泄露的条件，即原始输入数据可通过经典或量子辅助方法从快照中恢复。我们确定了编码映射的若干属性，如经典可模拟性、与DLA基的交叠及其傅里叶频率特征，这些属性使得VQC模型发生此类隐私泄露成为可能。因此，我们的框架为量子机器学习模型的设计提供了指导，以平衡训练性与强大的隐私保护。
期刊
IF:
8.3
论文数:
1.4K
被引数:
8.1K
.png){kind=icon}
查看更多内容