机构名称：
¥ 1.0
量子机器学习是一个新兴的跨学科领域，它探索机器学习和量子物理之间的相互作用，有可能彻底改变人工智能的多个方面 [1]。同时，为隐私量子计算而提出的盲量子计算 (BQC) 协议有望处理委托计算任务而不泄露客户端的隐私数据 [2]。量子机器学习和盲量子计算的结合可能为多方联邦学习任务带来启示。在参考文献 [3] 中，作者从安全角度探索了可能的量子优势，并介绍了一种基于 BQC 的联邦学习新量子协议，其中多个客户端可以协作训练共享的量子学习模型，同时隐藏他们的敏感数据。基本量子模型是变分量子分类器，它可以在 BQC 平台上自然实现，用于监督学习任务。然而在联邦学习中，如果一个公共模型训练得效果很好，那么一定有“有效”信息从客户端流向公共服务器，而私有信息可能会被梯度攻击等一些逆向工程方法泄露 [ 4 ]。为了解决这个问题，作者将差分隐私的思想 [ 5 ] 应用于量子联邦学习协议，对上传的数据进行随机化，这在信息论上具有隐私保护的保证。该防御策略的性能已通过混合量子-经典“梯度攻击”进一步测试，结果证明它可以有效抵御这些恶意攻击。在
SCPMA-2021-0584-在线 1..1
主要关键词
相关文件推荐
