.png){kind=icon}
返回
Distributed machine learning based on quantum cloud with quantum homomorphic encryption
.png){kind=icon}
PRE
AI
DOI：10.1016/j.future.2025.108053.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在噪声中等规模量子（NISQ）技术时代，变分量子算法已成为展示量子优越性的突出方法。量子联邦学习（QFL）在分布式计算环境中采用这些算法，可提升训练性能并保护用户数据隐私。然而，这种方法显著增加了对量子能力的需求，这些能力通常超出普通用户的可及范围。本文提出了一种新颖的QFL方法，引入量子同态加密以增强协作训练过程中的数据安全与隐私。我们提出了量子电路随机重构同态加密算法（QCRRA），旨在促进在量子网络上实现安全高效模型训练，同时不牺牲数据隐私。QCRRA允许不具备量子能力的参与者通过加密其量子电路参与联邦学习，从而避免敏感数据直接暴露给量子服务器。我们通过在MNIST、CIFAR10及特定数据集上的二分类任务分析所提方法性能，结果表明QCRRA在显著降低数据泄露风险的同时，保持了学习过程的完整性和准确性。本研究不仅强调了在严格隐私约束下QFL的可行性，也为未来在安全、去中心化量子机器学习框架领域的研究树立了先例。
Keyword:
quantum federated learning
quantum homomorphic encryption
variational quantum algorithms
secure quantum machine learning
quantum circuit random reconstruction
期刊
F
IF:
0
论文数:
642
被引数:
0
机构
引用论文
.png){kind=icon}
Federated quanvolutional neural network: a new paradigm for collaborative quantum learning联合量化神经网络: 协作式量子学习的新范式
OAAI
OAAI分享收藏Theoretical error performance analysis for variational quantum circuit based functional regressionOAAI
OAAI分享收藏Universal and holistic privacy protection in quantum computing: a novel approach through quantum circuit equivalence homomorphic encryption量子计算中的通用和整体隐私保护: 一种通过量子电路等效同态加密的新方法
PREAI
分享收藏
查看更多内容