基于变分量子电路的量子差分隐私时间序列预测
量子物理
2025-09-24 v2 密码学与安全
机器学习
信号处理
摘要
时间序列预测在数据敏感性至关重要的领域（如金融和能源系统）至关重要。虽然差分隐私(DP)提供保护单个数据贡献的理论保证，但其通过 DP-SGD 集成常因注入噪声而损害模型性能。本文提出 Q-DPTS，一种用于量子差分隐私时间序列预测的混合量子-经典框架。Q-DPTS 将变分量子电路(VQCs)与逐样本梯度裁剪和高斯噪声注入相结合，确保严格的 -差分隐私。量子模型的可表达性使其对 DP 机制引入的效用损失具有更好的鲁棒性。我们在 ETT(电力变压器温度)数据集上评估 Q-DPTS，该数据集是长期时间序列预测的标准基准。我们的方法与经典和量子基线（包括 LSTM、QASA、QRWKV 和 QLSTM）进行比较。结果表明，Q-DPTS 在相同隐私预算下持续实现更低的预测误差，表明其在隐私-效用之间取得了有利的权衡。这一工作是对量子增强差分隐私预测的首次探索之一，为在隐私关键场景中实现安全和准确的时间序列建模提供了有前景的方向。
引用
@article{arxiv.2508.05036,
title = {Q-DPTS: Quantum Differentially Private Time Series Forecasting via Variational Quantum Circuits},
author = {Chi-Sheng Chen and Samuel Yen-Chi Chen},
journal= {arXiv preprint arXiv:2508.05036},
year = {2025}
}