Quantum Federated Learning Experiments in the Cloud with Data Encoding

量子联邦学习（QFL）是一个新兴的概念，旨在在量子网络上展开联邦学习（FL），实现协作式的量子模型训练以及本地数据隐私。我们探讨了在云平台上部署QFL所面临的挑战，强调了量子复杂性和平台限制。所提出的基于数据编码驱动的QFL，通过在量子模拟器上使用基因组数据集的概念验证（GitHub开源），显示出了有希望的结果。

本篇论文旨在探讨在量子网络上展开联邦学习的可能性，以实现协同量子模型训练和本地数据隐私保护。同时，论文还探讨了在云平台上部署QFL所面临的挑战和限制。

本文提出了一种基于数据编码的QFL方案，并在量子模拟器上使用基因组数据集进行了概念验证，展示了有望实现的结果。

本文的亮点包括：1. 探讨了在云平台上部署QFL所面临的挑战和限制；2. 提出了一种基于数据编码的QFL方案；3. 使用基因组数据集在量子模拟器上进行了概念验证；4. 提供了开源代码。

近期在这个领域中，还有一些相关的研究，如：1. 'Quantum Machine Learning Federated with Blockchain'；2. 'Federated Learning on Non-IID Data Silos: An Experimental Study on ECG Data'。