面向异构数据的变分量子卷积神经网络知识蒸馏
量子物理
2025-09-23 v1 机器学习
摘要
分布式量子机器学习面临着来自异构客户端数据和本地模型结构差异的重大挑战，这些挑战阻碍了全局模型的聚合。为此，我们提出一种面向异构数据的变分量子卷积神经网络知识蒸馏框架。该框架包含基于客户端数据的数字估计机制，用于指导构建资源自适应的 VQCNN 电路。采用粒子群优化高效生成针对本地数据特征量身定制的个人化量子模型。在聚合过程中，一种集成软标签和硬标签监督的知识蒸馏策略利用公共数据集整合来自异构客户端的知识，构建全局模型，同时避免参数暴露和隐私泄露。理论分析表明，所提框架受益于量子高维表示，相较于经典方法具有优势，并且仅通过交换模型索引和测试输出即可最小化通信开销。在 PennyLane 平台上进行的广泛仿真实验验证了电路数字估计和基于蒸馏的聚合有效性。实验结果表明，聚合后的全局模型在准确率上接近完全监督的集中训练，证明所提方法能够有效处理异构性、降低资源消耗并保持性能，凸显其在可扩展隐私保护分布式量子学习中的潜力。
关键词
引用
@article{arxiv.2509.16699,
title = {Knowledge Distillation for Variational Quantum Convolutional Neural Networks on Heterogeneous Data},
author = {Kai Yu and Binbin Cai and Song Lin},
journal= {arXiv preprint arXiv:2509.16699},
year = {2025}
}