Privacy-preserving quantum federated learning via gradient hiding

分布式量子计算，特别是分布式量子机器学习，因其能够利用分布式量子资源的集体能力，超越单个量子节点的限制而受到广泛关注。同时，在分布式计算协议中保护隐私的关键问题仍然是一个重大挑战，特别是在标准的经典联邦学习（FL）场景中，参与客户端的数据容易受到由服务器进行的梯度反演攻击的泄露。本文提出了创新的量子协议和量子通信，旨在解决FL问题，加强隐私措施并优化通信效率。与以前利用表达丰富的变分量子电路或差分隐私技术的作品不同，我们考虑使用量子态来隐藏梯度信息，并提出了两种不同的FL协议，一种基于私有内积估计，另一种基于增量学习。这些协议提供了在低通信资源下实现隐私保护的重大进展，为高效的量子通信辅助FL协议铺平了道路，并为安全的分布式量子机器学习的发展做出了贡献，因此解决了量子计算时代的关键隐私问题。

本文旨在解决分布式机器学习中的隐私问题，尤其是在标准的经典联邦学习（FL）场景中，参与客户端的数据容易受到服务器梯度反演攻击的泄露风险。同时，本文还探讨了如何利用量子通信优化通信效率。

本文提出了两种基于量子通信的FL协议，一种基于私有内积估计，另一种基于增量学习，通过使用量子状态来隐藏梯度信息，从而实现隐私保护和通信效率的优化。

本文的两种FL协议在隐私保护方面具有显著的优势，并且通信资源占用较低，为量子通信辅助的FL协议的高效实现提供了可能。此外，本文的实验设计和数据集使用也值得关注。

在当前领域中，有一些研究关注于使用表达丰富的变分量子电路或差分隐私技术来解决FL问题，例如“Privacy-Preserving Quantum Machine Learning with Differential Privacy”和“Variational Quantum Unsupervised Learning for Anomaly Detection”等。