量子联邦学习：构成要素与未来方向

联邦学习（FL）聚焦于在无需将私有数据迁移到中央服务器的情况下进行协作模型训练。尽管其具有多项优势，但经典 FL 面临诸多限制，包括对模型训练所需的高计算资源（对低资源客户端至关重要）、隐私风险、大量更新流量以及非独立同分布（non-IID）异构性问题。这一章节调查了一种混合范式——量子联邦学习（QFL），它引入量子计算，解决了经典 FL 的多个挑战，同时保持经典编排不变，提供快速的计算能力。首先，我们通过对经典 FL 痛点的具体阐述来激发 QFL 的动机，随后讨论 QFL 框架的通用架构， specifying 客户端和服务器的角色、通信原语以及量子模型放置。我们根据四个标准对现有 QFL 系统进行分类——量子架构（纯量子 FL、混合量子 FL）、数据处理方法（量子数据编码、量子特征映射、量子特征选择与降维）、网络拓扑（集中式、层次式、去中心化）以及量子安全机制（量子密钥分发、量子同态加密、量子差分隐私、盲量子计算）。随后，我们描述 QFL 在 healthcare、车联网、无线网络和网络安全中的应用，明确阐述 QFL 在通信效率、安全性和性能方面相较于经典 FL 的改进。我们以多个挑战和未来工作收尾于 QFL，包括将 QFL 扩展到分类任务之外的任务、对抗性攻击、现实硬件部署、量子通信协议部署、不同量子模型的聚合，以及作为 QFL 的替代方案的量子分段学习。