Q-ShiftDP：面向量子机器学习的差分隐私参数移位规则
机器学习
2026-02-04 v1 密码学与安全
摘要
量子机器学习 (QML) 承诺带来显著的计算优势，但在保护训练数据隐私方面仍面临挑战。经典方法如差分隐私随机梯度下降 (DP-SGD) 对梯度添加噪声，但无法利用量子梯度估计的独特特性。在本工作中，我们引入差分隐私参数移位规则 (Q-ShiftDP)，即首个专为QML设计的隐私机制。通过利用通过参数移位规则计算的量子梯度的内在有界性和随机性，Q-ShiftDP实现更紧密的灵敏度分析，降低噪声需求。我们将精心校准的高斯噪声与固有的量子噪声相结合，提供正式的隐私和实用性保证，并表明利用量子噪声进一步改善了隐私-实用性权衡。在基准数据集上进行实验，表明Q-ShiftDP在QML中持续优于经典DP方法。
引用
@article{arxiv.2602.02962,
title = {Q-ShiftDP: A Differentially Private Parameter-Shift Rule for Quantum Machine Learning},
author = {Hoang M. Ngo and Nhat Hoang-Xuan and Quan Nguyen and Nguyen Do and Incheol Shin and My T. Thai},
journal= {arXiv preprint arXiv:2602.02962},
year = {2026}
}