面向量子学习的 Q-ANCHOR：基于 ZNE 指导的联邦架构
机器学习
2026-05-29 v1 分布式、并行与集群计算
摘要
量子联邦学习(QFL)提供了一个在分布式客户端之间训练量子模型的框架，同时保持数据严格本地化。由于其简单性和低通信开销，Federated Averaging(FedAvg)是QFL文献中的标准聚合选择。然而，在实际硬件上部署QFL会暴露出严重的双漂移现象：全局模型同时因非独立同分布(IID)数据的客户端漂移和来自噪声量子梯度估计的硬件偏差而受到牵托。本文首先分析了FedAvg在这些现实条件下的收敛性，数学上表明量子硬件偏差会创建一个持续的误差底板，标准平均值无法纠正。为克服这一限制，我们提出了Q-ANCHOR，一种基于零噪声外推(ZNE)锚定服务器更新、同时应用有状态客户端纠正以抑制客户端漂移和硬件引起的偏差的量子感知联邦聚合架构。我们的收敛理论证明了Q-ANCHOR成功抑制了经典客户端漂移，同时主动降低了硬件偏差底板。实验结果表明，Q-ANCHOR的训练显著比常规FL基线更稳定。
引用
@article{arxiv.2605.30075,
title = {Q-ANCHOR: Federated Quantum Learning with ZNE-guided Correction},
author = {Hoang M. Ngo and Quan Nguyen and Wanli Xing and My T. Thai},
journal= {arXiv preprint arXiv:2605.30075},
year = {2026}
}