RobQFL：对抗环境下的鲁棒量子联邦学习
量子物理
2025-09-08 v1 机器学习
摘要
量子联邦学习（QFL）将隐私保护的联邦机制与量子计算增益相结合，但其对对抗性噪声的鲁棒性尚不明确。我们首先证明 QFL 与集中式量子学习一样脆弱。我们提出鲁棒量子联邦学习（RobQFL），将对抗训练直接嵌入联邦循环中。RobQFL 揭示了可调维度：客户端覆盖率 （0-100%）、扰动调度（固定 与 混合）以及优化方式（微调与从头训练），并将所得的 曲面提炼为两个指标：精度-鲁棒性面积和鲁棒性体积。在包含 15 个客户端、使用 MNIST 和 Fashion-MNIST 数据集、涵盖 IID 和非 IID 条件的模拟中，仅对 20-50% 的客户端进行对抗训练，即可在清洁精度损失小于 2 个百分点的情况下，将 的精度提升约 15 个百分点；微调可额外增加 3-5 个百分点。当覆盖率 75% 时，适度的 混合是最优的，而高 调度仅在 100% 覆盖率下才有帮助。按标签排序的非 IID 划分使鲁棒性减半，突显了数据异质性是一个主要风险。
引用
@article{arxiv.2509.04914,
title = {RobQFL: Robust Quantum Federated Learning in Adversarial Environment},
author = {Walid El Maouaki and Nouhaila Innan and Alberto Marchisio and Taoufik Said and Muhammad Shafique and Mohamed Bennai},
journal= {arXiv preprint arXiv:2509.04914},
year = {2025}
}