基于量子噪声的差分隐私联邦量子学习

量子联邦学习(QFL)允许在分布式量子设备之间协作训练量子机器学习(QML)模型，而无需交换原始数据。然而，QFL仍然 vulnerable to对抗性攻击，共享的QML模型更新可被利用以破坏信息隐私。在噪声中间规模量子(NISQ)设备的背景下，一个关键问题是：如何利用固有的量子噪声来强制执行差分隐私(DP)，以保护训练和通信期间的模型信息？本文探索了一种新型DP机制，该机制利用量子噪声保护QFL过程中的量子模型。通过调节测量shots和depolarizing通道强度，我们的方法实现了针对NISQ约束的所需DP水平。仿真结果表明，该框架通过检查差分隐私预算与噪声参数之间的关系，以及隐私与训练准确率之间的权衡，展示了其有效性。此外，我们演示了该框架对针对利用对抗性样本破坏模型性能的对抗性攻击的鲁棒性，其评估基于关键指标，如对抗性样本上的准确率、正确预测的置信度得分以及攻击成功率。结果揭示了隐私与鲁棒性之间的可调节权衡，为在NISQ设备上实现安全QFL提供了有效解决方案，具有显著的可靠量子计算应用潜力。