用于分割学习的混合量子神经网络

量子机器学习（QML）是一个新兴的研究领域，在分布式协作学习（如分割学习（SL））中具有潜在应用。SL 允许资源受限的客户端与服务器协作训练 ML 模型，降低其计算开销，并通过避免共享原始数据来实现数据隐私。尽管已经对结合 SL 的 QML 进行了研究，但在客户端缺乏量子计算能力的资源受限环境中，该问题仍然悬而未决。此外，SL 中客户端与服务器之间的数据隐私泄露，会带来服务器端重构攻击的风险。为了解决这些问题，我们提出了混合量子分割学习（HQSL），即混合 QML 在 SL 中的一种应用。HQSL 使经典客户端能够与混合量子服务器训练模型，并遏制重构攻击。此外，我们引入了一种用于在 HQSL 中设计量子层的新型量子比特高效数据加载技术，以最小化量子比特数量和电路深度。在真实硬件上的评估证明了 HQSL 在真实量子噪声下的实用性。在五个数据集上的实验证明了 HQSL 的可行性，以及与经典模型相比提升分类性能的能力。值得注意的是，对于 Fashion-MNIST 数据集，HQSL 在准确率和 F1 分数上均实现了超过 3% 的平均提升，对于 Speech Commands 数据集，这两项指标均实现了超过 1.5% 的提升。我们将这些研究扩展至多达 100 个客户端，证实了 HQSL 的可扩展性。此外，我们引入了一种基于噪声的防御机制，以应对服务器端的重构攻击。总体而言，HQSL 使经典客户端能够与混合量子服务器进行协作训练，提高了模型性能并增强了对重构攻击的抵抗力。