表达性变分量子电路在联邦学习中提供固有隐私性

联邦学习已成为一种可行的分布式解决方案，可在无需实际与中心聚合器共享数据的情况下训练机器学习模型。然而，标准的基于神经网络的联邦学习模型已被证明易受与服务器共享的梯度中的数据泄露影响。在这项工作中，我们引入了使用表达性编码映射与过参数化 ansätze 构建的变分量子电路模型的联邦学习。我们表明，表达性映射可针对梯度反演攻击提供固有隐私性，而过参数化确保了模型的可训练性。我们的隐私框架核心在于求解由量子电路梯度生成的高次多元切比雪夫多项式系统的复杂性。我们提出了有力论证，强调在精确与近似场景下求解这些方程的固有困难。此外，我们深入探讨了基于机器学习的攻击策略，并建立了原始联邦学习模型中的过参数化与攻击模型中的欠参数化之间的直接联系。进一步，我们提供了数值缩放论证，表明攻击模型中表达性映射的欠参数化会导致损失景观被指数级多的伪局部极小点淹没，从而极难实现成功攻击。这首次有力地主张，量子机器学习模型的性质固有地有助于防止联邦学习中的数据泄露。