基于升阶量子差分隐私的量子模型黑盒审计：借助量子 canary 检测记忆化
机器学习
2025-12-17 v1
摘要
量子机器学习 (QML) 承诺带来显著的计算优势，然而训练于敏感数据上的模型风险记忆化单个记录，构成严重的隐私漏洞。虽然量子差分隐私 (Quantum Differential Privacy, QDP) 机制提供理论最坏情况保证，但其在部署模型中缺乏经验验证工具。我们引入首个基于升阶量子差分隐私 (Lifted Quantum Differential Privacy) 的 QML 黑盒隐私审计框架，利用量子 canary (战略性偏移编码的量子态) 检测记忆化并精确量化训练期间的隐私泄露。该框架在 canary 偏移量与迹距离界限之间建立严格的数学联系，推导出经验下界隐私预算消耗，弥合理论保证与实际隐私验证之间的关键鸿沟。通过仿真与物理量子硬件上的全面评估，证明该框架在衡量 QML 模型实际隐私损失方面有效，使 QML 系统能够实现稳健的隐私验证。
引用
@article{arxiv.2512.14388,
title = {Black-Box Auditing of Quantum Model: Lifted Differential Privacy with Quantum Canaries},
author = {Baobao Song and Shiva Raj Pokhrel and Athanasios V. Vasilakos and Tianqing Zhu and Gang Li},
journal= {arXiv preprint arXiv:2512.14388},
year = {2025}
}