量子科技中心_量科网

联邦学习（FL）已在各领域日益普及，它使得多个客户端能够在不共享敏感数据的前提下协作训练全局模型。该技术涉及全局模型与参与客户端之间的多轮通信，由此带来了通信成本高、客户端数据异构、处理时间延长以及隐私威胁风险增加等挑战。近年来，联邦学习与参数化量子电路的结合引发了重要研究兴趣，尤其在医疗健康和金融等领域展现出广阔前景。通过实现量子模型的分布式训练，该技术使得客户端或机构能在保障数据隐私的同时，协同提升模型性能与结果质量。研究团队注意到，费希尔信息能够量化量子态在参数变化时所承载的信息量，从而揭示其几何与统计特性。该工作旨在利用这一特性解决上述挑战，提出了一种基于本地客户端模型计算费希尔信息的量子联邦学习（QFL）算法，其数据分布于异构分区中。该方法可识别对量子模型性能具有关键影响的参数，确保这些参数在聚合过程中得以保留。通过与其他变体算法的性能对比，并探究费希尔信息在QFL框架中的优势，该研究评估了该算法的有效性与可行性。在ADNI和MNIST数据集上的实验结果表明，相较于量子联邦平均方法，该方案在性能提升与鲁棒性方面具有显著优势。