联邦学习让量子混合模型准确率从0.72飙至0.88，还不碰原始数据！
Federating Quantum and Classical Computing: A Privacy-Preserving Hybrid Approach
📖 AI 总结
本文探讨了在隐私敏感的多方场景下，如何将混合量子-经典模型与联邦学习相结合。研究采用盲垂直联邦学习协议，避免原始数据集中化并大幅降低通信开销，同时构建了分裂乘法周期奇偶校验基准任务进行验证。仿真结果显示，该协议将模型准确率从本地训练的0.7227提升至0.8757，接近非隐私集中式训练的水平；且混合量子-经典模型所需可训练参数显著少于经典神经网络和随机森林方案。研究表明，联邦学习能够在不集中原始数据的前提下，实现高性能、隐私保护的量子与经典计算协作，为量子机器学习在多方隐私场景中的实际部署提供了可行路径。
🔑 关键词速览
| 量子机器学习 (QML) | 将量子计算与机器学习结合，利用量子电路处理数据或优化模型的一类方法。 |
| 混合量子-经典模型 | 在经典模型框架中嵌入参数化量子电路，其余部分保持经典的模型架构。 |
| 联邦学习 (FL) | 一种分布式机器学习范式，各方在不共享原始数据的情况下协同训练模型。 |
| 盲式纵向联邦学习 (SBVFL) | Sherpa.ai 提出的纵向联邦学习协议，可在不集中原始数据的同时大幅降低通信开销。 |
| 分裂乘性周期奇偶校验 (SMPP) | 本文构建的基准任务，用于评估混合量子-经典模型在联邦学习场景下的性能。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅