面向异常检测的个性化量子联邦学习
机器学习
2025-11-12 v1 计算机视觉与模式识别
量子物理
摘要
异常检测在视频监控、医疗诊断和工业监控等应用中发挥着重要作用，其中异常常常取决于具体情境且异常标记数据有限。量子联邦学习（QFL）通过在多个量子客户端之间分布模型训练来克服上述问题，从而消除对集中式量子存储和处理的需求。然而，在现实量子网络中，客户端在硬件能力、电路设计、噪声水平以及经典数据如何编码或预处理为量子态方面常常存在差异。这些差异在客户端之间造成固有的异构性——不仅在数据分布上，还在量子处理行为上。这一结果导致训练单个全局模型变得无效，尤其是当客户端处理的数据不平衡或非独立同分布（non-IID）时。为此，我们提出一种名为个性化量子联邦学习（PQFL）的新框架，用于异常检测。PQFL通过参数化量子电路和经典优化器增强量子客户端的本地模型训练，同时引入一种量子中心化的个性化策略，使每个客户端的模型适应其自身硬件特性和数据表示。大量实验表明，PQFL在多样化且现实条件下的异常检测准确率显著提高。相较于最先进的方法，PQFL在误报率降低最高可达23%，在AUROC提升24.2%，在AUPR提升20.5%，突显其在实际量子联邦环境中的有效性和可扩展性。
引用
@article{arxiv.2511.07471,
title = {Towards Personalized Quantum Federated Learning for Anomaly Detection},
author = {Ratun Rahman and Sina Shaham and Dinh C. Nguyen},
journal= {arXiv preprint arXiv:2511.07471},
year = {2025}
}
备注
Accepted at IEEE Transactions on Network Science and Engineering