FL-QDSNNs：基于联邦学习的量子动态脉冲神经网络
量子物理
2025-09-01 v2 新兴技术
摘要
我们提出 Federated Learning-Quantum Dynamic Spiking Neural Networks（FL-QDSNNs），一种面向非独立同分布（non-IID）客户端数据的隐私保护框架，能保持高预测准确率。其核心创新在于动态阈值脉冲机制，当本地数据漂移需要增加表达能力时，仅触发量子门，从而限制电路深度，抵消异构客户端中典型的准确率下降。该方法在不同基准数据集上进行评估，包括鸢尾花数据集，其中 FL-QDSNNs 可达 94% 的准确率，始终优于最新的量子联邦基线方法；扩展性分析表明，随着联邦扩大至 25 个客户端，性能仍保持高水平，证明了计算效率与协作鲁棒性。通过将自适应量子表达力与严格的数据局部性相结合，FL-QDSNNs 实现了面向隐私敏感领域和关键基础设施的合规性量子学习。
引用
@article{arxiv.2412.02293,
title = {FL-QDSNNs: Federated Learning with Quantum Dynamic Spiking Neural Networks},
author = {Nouhaila Innan and Alberto Marchisio and Muhammad Shafique},
journal= {arXiv preprint arXiv:2412.02293},
year = {2025}
}
备注
7 pages, 6 figures. Accepted at IEEE QAI 2025