量子联邦学习中完全同态加密的资源成本分析
密码学与安全
2026-03-04 v1
摘要
量子联邦学习（QFL）通过共享模型梯度而非原始数据，实现了量子机器学习（QML）模型的分布式训练。然而，这些梯度仍可能暴露敏感用户信息。为提升隐私保护，完全同态加密（FHE）被提出作为 QFL 及相关框架的解决方案。本文评估了在 QFL 环境中引入 FHE 所带来的开销，并评估其在实际应用中的可行性。我们实现了包括量子卷积神经网络（QCNN）在内的各种 QML 模型，在联邦环境中使用 CKKS 方案对参数进行加密训练。这项工作首次实现了在 CKKS 加密参数下进行的联邦 QCNN 训练。针对不同架构的模型用于预测脑肿瘤 MRI 扫描。实验结果表明，内存和通信开销仍然较大，使得 FHE 在实际部署方面具有挑战性。最小化开销需要减少模型参数数量，但这会导致分类性能下降，引入了隐私与模型复杂度之间的权衡。
引用
@article{arxiv.2603.02799,
title = {Understanding the Resource Cost of Fully Homomorphic Encryption in Quantum Federated Learning},
author = {Lukas Böhm and Arjhun Swaminathan and Anika Hannemann and Erik Buchmann},
journal= {arXiv preprint arXiv:2603.02799},
year = {2026}
}
备注
Experiments with Quantum Federated Learning using Homomorphic Encryption to encrypt the gradients