Bridging Quantum Computing and Differential Privacy: Insights into Quantum Computing Privacy

量子计算在数据驱动领域有着强大的潜力，但应该考虑到与量子算法相关的敏感或有价值信息的隐私问题。差分隐私（DP）是经典场景中广泛使用的基本隐私工具，已经扩展到量子领域，即量子差分隐私（QDP）。QDP 可能成为最有前途的隐私保护量子计算之一，因为它不仅与经典 DP 机制兼容，而且通过利用不可避免的量子噪声在噪声中等规模量子（NISQ）设备中实现隐私保护。本文概述了 QDP 的各种实现方法及其在 DP 设置下的隐私参数性能。具体而言，我们提出了 QDP 技术的分类法，根据使用内部或外部随机化作为实现 QDP 的源以及这些方法如何应用于量子算法的每个阶段来对现有文献进行分类。我们还讨论了 QDP 的挑战和未来方向。通过总结最近的进展，我们希望为涉足这一领域的研究人员提供全面、最新的调查。

本文旨在解决量子算法中涉及敏感或有价值信息的隐私问题，提出了一种量子差分隐私（QDP）的方法，探讨了其在量子算法中的应用，并比较了不同实现方法的隐私参数表现。

QDP利用量子噪声实现隐私保护，不仅兼容经典差分隐私机制，而且在噪声中实现隐私保护，成为实现隐私保护的有希望的途径。

本文提出了QDP技术分类法，讨论了内部和外部随机化在实现QDP中的应用，以及这些方法如何应用于量子算法的每个阶段。还讨论了QDP面临的挑战和未来方向。

最近的相关研究包括“基于量子模糊提取的量子差分隐私保护机制”和“基于量子随机量的量子差分隐私保护”。