面向混合经典-量子模型的自适应同态加密联邦学习
机器学习
2026-05-14 v1 密码学与安全
摘要
联邦学习在平衡模型性能、隐私保护和通信效率方面面临内在挑战，尤其是在非独立同分布的去中心化环境中。近期方法要么牺牲形式隐私保证，要么造成高开销，或忽视量子增强表达性。我们引入AdeptHEQ-FL，一个统一的混合经典-量子联邦学习框架，集成了：（i）用于表达性分布式学习的混合CNN-PQC架构、（ii）利用差分隐私验证准确率的自适应加权聚合方案、（iii）用于敏感模型层安全聚合的选择性同态加密，以及（iv）实现通信开销最小化同时保持量子适应性的动态层级自适应冻结。我们建立了形式隐私保证，提供了收敛分析，并在CIFAR-10、SVHN和Fashion-MNIST数据集上进行了大量实验。AdeptHEQ-FL在CIFAR-10数据集上相对于Standard-FedQNN和FHE-FedQNN分别实现了约25.43%和约14.17%的准确率提升。此外，它通过冻结不重要的层来减少通信开销，展示了该隐私保护、资源感知设计在联邦学习中的效率和实用性。
引用
@article{arxiv.2507.07316,
title = {AdeptHEQ-FL: Adaptive Homomorphic Encryption for Federated Learning of Hybrid Classical-Quantum Models with Dynamic Layer Sparing},
author = {Md Abrar Jahin and Taufikur Rahman Fuad and M. F. Mridha and Nafiz Fahad and Md. Jakir Hossen},
journal= {arXiv preprint arXiv:2507.07316},
year = {2026}
}
备注
Accepted in 1st International Workshop on ICCV'25 BISCUIT (Biomedical Image and Signal Computing for Unbiasedness, Interpretability, and Trustworthiness)