量子机器学习中隐私优势的前景

确保机器学习模型中的数据隐私至关重要，尤其是在分布式设置中，模型梯度通常在多方之间共享以实现协作学习。受从经典模型梯度恢复输入数据的成功案例不断增加的启发，本研究探讨了一个核心问题：从量子机器学习模型的梯度中恢复输入数据有多难？以变分量子线路 (VQC) 作为学习模型，我们揭示了 VQC 拟设的动态李代数 (DLA) 在决定隐私漏洞方面所起的关键作用。虽然 DLA 此前已被证明与 VQC 模型的经典可模拟性和可训练性有关，但本工作首次建立了其与 VQC 模型隐私的联系。具体而言，我们表明有利于 VQC 可训练性的性质（如多项式大小的 DLA）同样有助于提取输入的详细快照。我们将此称为弱隐私泄露，因为这些快照使得无需直接访问原始输入即可训练 VQC 模型以完成不同的学习任务。此外，我们研究了强隐私泄露的条件，在这些条件下，可以通过经典或量子辅助的多项式时间方法从这些快照中恢复原始输入数据。我们确定了编码映射上的条件，如经典可模拟性、与 DLA 基的重叠及其傅里叶频率特性，这些条件使得 VQC 模型的此类隐私泄露成为可能。因此，我们的发现通过指导设计在可训练性与稳健隐私保护之间取得平衡的量子机器学习模型的要求，在细化量子隐私优势的前景方面发挥了关键作用。