.png){kind=icon}
返回
Quantum-KIP: Kernel Inducing Points for Quantum Privacy
.png){kind=icon}
PRE
AI
DOI：10.1109/tifs.2026.3725557.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们引入量子-KIP方法，该方法将训练集压缩为具有软标签的小型核诱导点集合。它使用量子特征映射来计算状态保真度重叠，并且仅依赖前向评估，避免了通过量子电路的反向传播。我们提供了压缩引起的稳定性分析，表明替换一个训练样本会使学习到的集合和预测的变化小于$O(m/n)$。我们进一步联合分析了这一敏感度界限与固有量子噪声，展示了有限次测量噪声和去极化噪声如何导致量子核观测的隐私相关可区分性界限。电路执行分析表明，量子运行次数远少于基于梯度的方法。在六量子比特特征映射的MNIST和CIFAR-10数据集上，量子-KIP实现了接近全数据训练的精度、显著的速度提升、减少的隐私泄露，以及去极化和测量噪声下的鲁棒性。
Keyword:
Quantum dataset condensation
quantum kernel
privacy utility trade-off
期刊
IF:
8
论文数:
5.3K
被引数:
2.3W
机构
查看更多机构
引用论文
暂无论文信息