具有差分隐私的联邦量子机器学习
量子物理
2023-10-12 v1 机器学习
摘要
在敏感训练数据上实现人工智能时，隐私保护是一个关键问题。有多种技术可保护数据隐私，但量子计算由于不可克隆定理而本质上更安全，从而在潜在量子优势之上形成了一个极为理想的计算平台。先前已有研究分别独立地探讨了通过量子联邦学习（QFL）和量子差分隐私（QDP）来保护数据隐私。然而，据我们所知，尚无先前工作将 QFL 与 QDP 二者结合研究。在此，我们提出将这些隐私保护方法相结合并在量子平台上实现，从而能够对数据泄露（QFL）和模型反演攻击（QDP）实现全面防护。该实现有望带来更高效且更安全的人工智能。在本文中，我们通过对 Cats vs Dogs 数据集进行二分类，成功实现了这些隐私保护方法。使用我们的量子-经典机器学习模型，我们获得了超过 0.98 的测试准确率，同时将 epsilon 值保持在小于 1.3。我们表明，联邦差分隐私训练是噪声中等规模量子（NISQ）设备上量子机器学习的一种可行隐私保护方法。
引用
@article{arxiv.2310.06973,
title = {Federated Quantum Machine Learning with Differential Privacy},
author = {Rod Rofougaran and Shinjae Yoo and Huan-Hsin Tseng and Samuel Yen-Chi Chen},
journal= {arXiv preprint arXiv:2310.06973},
year = {2023}
}
备注
5 pages, 7 figures