.png){kind=icon}
返回
Quantum federated learning utilizing measurement-based quantum computation
.png){kind=icon}
PRE
AI
DOI：10.1007/s11128-025-05026-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在当前NISQ时代，客户端缺乏足够的量子能力在本地构建复杂的量子神经网络。尽管所提出的量子联邦学习方法将训练模型部署在具有强大量子能力的服务器上，但仍存在挑战，如制备高度纠缠的砖块态以及防止模型参数不可避免地泄露给服务器。因此，本文提出了一种利用测量基量子计算的量子联邦学习方法。首先，构建了一个基于五量子比特纠缠态的量子测量模型，以实现在服务器端部署加密的量子神经网络，仅由客户端执行测量操作。这确保了客户端通过测量操作实现所需的旋转门和角度，同时执行量子一次性密码本加密量子态。这防止了不可信服务器提取关于私有数据、模型参数和模型输出的信息。其次，为确保客户端梯度信息的安全，开发了一个利用三量子比特纠缠态的量子测量模型来实现安全聚合方法。最后，安全性分析表明，所提出的方案保护了客户端的私有数据、模型参数和模型输出。此外，我们在MNIST数据集上使用Paddle量子提供的测量基量子计算框架进行二元分类实验，验证了所提出方法的可行性。
Keyword:
Quantum neural network
Quantum federated learning
Measurement-based quantum computation
期刊
Q
IF:
2.2
论文数:
290
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容