DyLoC：一种面向多项式-DLA约束下的安全可训练量子机器学习的双层架构
量子物理
2025-12-02 v1 密码学与安全
摘要
变分量子电路在隐私性和可训练性之间面临关键权衡。对健壮隐私性所需的高表达性会导致指数级的动力学李代数。这种结构不可避免地导致枕石谷 (barren plateaus)。相比，受多项式规模代数约束的可训练模型则暴露于代数攻击之下。为解决这一困境，提出了 DyLoC。该双层架构采用正交解耦策略。可训练性基于多项式-DLA 假设来实现，而隐私则外部分配到输入和输出接口。具体而言，采用截断切比雪夫图编码 (Truncated Chebyshev Graph Encoding, TCGE) 来防止快照反转；利用动态局部混乱 (Dynamic Local Scrambling, DLS) 来混淆梯度。实验表明，DyLoC 保持基线水平的收敛，最终损失为 0.186。它通过将梯度重建误差提高了 13 个数量级。此外，当重建均方误差超过 2.0 时，快照反转攻击即被阻止。这些结果确认，DyLoC 有效地为安全可训练的量子机器学习建立了可验证的路径。
引用
@article{arxiv.2512.00699,
title = {DyLoC: A Dual-Layer Architecture for Secure and Trainable Quantum Machine Learning Under Polynomial-DLA constraint},
author = {Chenyi Zhang and Tao Shang and Chao Guo and Ruohan He},
journal= {arXiv preprint arXiv:2512.00699},
year = {2025}
}