量子科技中心_量科网

时间序列预测在数据敏感性至关重要的领域（如金融和能源系统）中极为关键。虽然差分隐私（DP）通过理论保障保护个体数据贡献，但其集成（尤其是通过DP-SGD）常因注入噪声而损害模型性能。本文提出Q-DPTS——一种用于量子差分隐私时间序列预测的混合量子-经典框架。该框架将变分量子电路（VQCs）与逐样本梯度裁剪及高斯噪声注入相结合，确保严格的(ϵ, δ)-差分隐私。量子模型的强表达能力可缓解DP机制导致的效用损失，提升模型鲁棒性。研究团队基于电力变压器温度（ETT）数据集（长期时间序列预测的标准基准）评估Q-DPTS，并与经典及量子基线方法（包括LSTM、QASA、QRWKV和QLSTM）进行对比。结果表明，在相同隐私预算下，Q-DPTS始终保持更低预测误差，展现出更优的隐私-效用平衡。该工作首次探索量子增强的差分隐私预测技术，为隐私敏感场景下的安全精准时序建模提供了新方向。