证据型量子垂直联邦学习
量子物理
2026-03-24 v1
摘要
量子联邦学习 (QFL) 近期涌现为一种面向隐私保护协同学习的有前景的范畴，但大多数现有研究聚焦于水平联邦学习，忽略了垂直联邦学习 (VFL)，后者指各方持有对齐样本的互补特征。本文提出证据型量子垂直联邦学习 (eviQVFL)，这是一种针对 VFL 设计的 QFL 框架，采用混合经典-量子架构进行方侧特征处理，将局部特征映射到量子态。为保持隐私并避免信息损失，方侧输出态通过量子遥传直接传输至服务器，服务器随后采用基于证据理论的非参数证据融合电路进行融合，随后进行测量式推断。在图像分类及其他真实数据集上的大量仿真实验表明，eviQVFL 在可比参数预算下持续实现更高的分类准确率。无论是经验观察还是理论分析，都表明 eviQVFL 在有限量子资源下实现更低的近似误差，同时保持训练稳定性并提供更强的特征隐私。
引用
@article{arxiv.2603.21102,
title = {Evidential Quantum Vertical Federated Learning},
author = {Hao Luo and Zhiyuan Zhai and Qianli Zhou and Jun Qi and Yong Deng and Xin Wang},
journal= {arXiv preprint arXiv:2603.21102},
year = {2026}
}