量子联邦学习中的信任扩展：多协议隐私设计
密码学与安全
2025-12-04 v1
摘要
量子联邦学习（QFL）有望通过结合量子设备的计算能力与协作模型训练来革新分布式机器学习。然而，数据和模型的隐私仍然是一个关键挑战。在本工作中，我们提出了一种隐私保护的 QFL 框架，其中由 个量子设备组成的网络训练局部模型并将它们传输至中央服务器，并采用多层隐私协议。我们的设计利用了奇异值分解（SVD）、量子密钥分发（QKD）和分析量子梯度下降（AQGD）来保障数据准备、模型共享和训练阶段。通过理论分析和在当代量子平台及数据集上的实验，我们证明该框架在保持训练效率的同时，鲁棒地保护了数据和模型的机密性。
引用
@article{arxiv.2512.03358,
title = {Scaling Trust in Quantum Federated Learning: A Multi-Protocol Privacy Design},
author = {Dev Gurung and Shiva Raj Pokhrel},
journal= {arXiv preprint arXiv:2512.03358},
year = {2025}
}
备注
Under Review