QFed：参数紧凑的量子-经典联邦学习
机器学习
2026-01-16 v1 人工智能
分布式、并行与集群计算
摘要
医疗、金融和科研等领域的组织和企业日益需要从分布式、孤立的数据集中提取集体智慧，同时遵守严格的隐私、监管和数据主权要求。联邦学习（FL）能够在不共享敏感原始数据的情况下进行协作模型构建，但面临着统计异质性、系统多样性以及复杂模型带来的计算负担等日益严峻的挑战。本研究探讨了量子辅助联邦学习的潜力，它可以将经典模型中的参数数量减少多对数因子，从而减轻训练开销。据此，我们提出了 QFed，一个旨在提升边缘设备网络计算效率的量子赋能联邦学习框架。我们使用广泛采用的 FashionMNIST 数据集对所提出的框架进行了评估。实验结果表明，QFed 在可扩展环境中，将类 VGG 模型的参数数量减少了 77.6%，同时保持了与经典方法相当的准确率。这些结果指出了在联邦学习环境中利用量子计算来增强边缘设备 FL 能力的潜力。
引用
@article{arxiv.2601.09809,
title = {QFed: Parameter-Compact Quantum-Classical Federated Learning},
author = {Samar Abdelghani and Soumaya Cherkaoui},
journal= {arXiv preprint arXiv:2601.09809},
year = {2026}
}