面向隐私敏感医疗的实用量子联邦学习：通信效率与噪声鲁棒性
量子物理
2026-05-13 v2
摘要
AI驱动的医疗诊断日益需要跨机构进行协作模型训练，但集中化处理患者数据与隐私法规相冲突。联邦学习能够在不共享原始数据的情况下进行分布式训练，但仍然面临梯度反转和模型泄露攻击的风险。此外，收集-解密-存储攻击使得计算上安全的协议对保护长期存储的医疗记录不够。量子通信提供的信息论安全性能够抵御此类威胁，使量子联邦学习（QFL）成为医疗领域的有力框架。然而，实际部署受制于通信开销和量子信道噪声。我们对QFL中通信、收敛与噪声的权衡进行系统性定量研究，提出两种 complementary 策略以减少量子传输：（1）通过参数化量子电路中的光锥特征选择实现结构化参数降维；（2）一种混合 QFL 架构，动态在集中式和去中心化聚合之间切换。我们表明，混合 QFL 将纯粹的集中式 QFL 的总量子传输从 降低至 ，在保持近乎集中式收敛的同时。我们进一步展示，在去极化噪声下，去中心化聚合更具噪声鲁棒性，并评估了基于 Steane 码的量子纠错在高噪声环境下的效果。我们的结果为构建通信高效、面向噪声的 QFL 提供了综合设计框架，阐明了面向可扩展量子安全分布式学习的医疗领域中的实际权衡。
引用
@article{arxiv.2603.03853,
title = {Practical Quantum Federated Learning for Privacy-Sensitive Healthcare: Communication Efficiency and Noise Resilience},
author = {Suzukaze Kamei and Hideaki Kawaguchi and Takahiko Satoh},
journal= {arXiv preprint arXiv:2603.03853},
year = {2026}
}