应对量子联邦学习中的异构性：一种集成的偶发-个人化方法

量子联邦学习 (QFL) 作为一种强大的技术，结合了量子计算和联邦学习，以在分布式量子设备之间高效处理复杂数据，同时确保量子网络中的数据隐私。尽管近期研究努力，现有的 QFL 框架仍难以实现最佳模型训练性能，主要由于以下固有异构性：(i) 量子噪声，其中当前量子设备因设备质量和对量子退相干性的敏感性而处于不同水平的噪声；(ii) 异构数据分布，其中参与量子设备之间的数据天然呈非独立同分布 (non-IID) 形式。为解决这些挑战，我们提出一种新颖的集成偶发-个人化方法，称为 SPQFL，同时在单个 QFL 框架中处理量子噪声和数据异构性。其具有两个关键特点：(i) 对于量子噪声异构性，我们引入偶发学习的概念，以应对量子设备之间的量子噪声异构性；(ii) 对于量子数据异构性，我们通过模型正则化实施个人化学习，以缓解在非 IID 量子数据分布上的本地训练中的过拟合，从而增强全局模型的收敛性。此外，我们对提议的 SPQFL 框架进行了严格的收敛分析，考虑了偶发学习和个人化学习。理论发现表明，SPQFL 算法的上界strongly受量子设备数量和量子噪声测量次数的影响。大量真实数据集的广泛模拟结果也说明，提议的 SPQFL 方法在训练性能和收敛稳定性方面相较于最先进的方法具有显著提升。