基于Fisher信息的量子联邦学习优化

联邦学习( FL)在不同领域日益受到欢迎，提供了一种在不共享敏感数据的情况下，多个客户协同训练全局模型的方案。这涉及全局模型与参与客户之间的多轮通信，带来了诸多挑战，如高通信成本、异构客户数据、延长的处理时间以及增加的隐私威胁。近年来，联邦学习与参数化量子电路的融合引发了广泛研究兴趣，为医疗和金融等领域带来了前景。通过实现量子模型的去中心化训练，允许客户或机构在保持数据隐私的同时协同提高模型性能和结果。鉴于Fisher信息可以在参数变化下量化量子态所携带的信息量，从而提供关于其几何和统计特性的洞见，我们意识到可以利用这一属性来解决上述挑战。在本工作中，我们提出一种Quantum Federated Learning( QFL)算法，利用在本地客户模型上计算的Fisher信息，数据分布在异构分区中。这一方法识别对量子模型性能具有重要影响的关键参数，确保在聚合过程中保留这些参数。我们的研究通过比较其他变体的性能，并探讨在QFL设置中纳入Fisher信息的优势来评估QFL的有效性和可行性。在ADNI和MNIST数据集上的实验结果表明，我们的方法在实现更好的性能和对抗性方面有效优于量子联邦平均方法。