CryptoQFL：基于加密数据的量子联邦学习
量子物理
2023-07-17 v1 新兴技术
摘要
量子神经网络（QNNs）近期的进展已在广泛应用中展现出优于经典对应物的理论与实验性能。然而，现有的集中式 QNN 无法解决许多现实问题，因为将大量训练数据收集到公共站点既耗时，更重要的是违反了数据隐私。联邦学习（FL）是一种新兴的分布式机器学习框架，允许在驻留于多个设备上的去中心化数据上进行协作模型训练而不破坏数据隐私。一些量子联邦学习（QFL）的初步尝试要么仅聚焦于提升 QFL 性能，要么依赖于无法保护数据隐私的可信量子服务器。在本工作中，我们提出 CryptoQFL，一种允许在加密数据上进行分布式 QNN 训练的 QFL 框架。CryptoQFL 是 (1) 安全的，因为它允许每个边缘用本地私有数据训练 QNN，并在将更新发送至中央量子服务器之前使用量子同态加密进行加密；(2) 通信高效的，因为 CryptoQFL 将本地梯度更新量化为三元值，且仅将非零值传送至服务器进行聚合；以及 (3) 计算高效的，因为 CryptoQFL 提出了一种高效的量子聚合电路，其延迟相比最先进方法显著降低。
引用
@article{arxiv.2307.07012,
title = {CryptoQFL: Quantum Federated Learning on Encrypted Data},
author = {Cheng Chu and Lei Jiang and Fan Chen},
journal= {arXiv preprint arXiv:2307.07012},
year = {2023}
}