量子科技中心_量科网

量子机器学习（QML）将量子计算与经典机器学习（ML）相结合，有望为特定任务实现量子优势。在经典ML中，机器遗忘（MU）是通过从模型中移除指定训练数据影响以满足监管要求、降低隐私风险的关键策略。然而，QML中训练数据成员信息泄露的风险仍未得到充分研究。这促使该团队提出量子机器遗忘（QMU）以探索两个核心问题：QML模型是否因训练数据成员泄露而需要MU？以及MU机制能否在QML中高效实现？ 为回答这两个问题，研究人员在MNIST分类任务上进行了实验，采用类级遗忘范式并在无噪声仿真与量子硬件上验证。首先，该工作通过成员推理攻击（MIA）量化训练数据隐私泄露，观察到无噪声仿真中平均成功率达90.2%，量子硬件上为75.3%。这些结果表明：QML模型在对抗访问下极可能存在训练数据成员泄露，印证了引入MU的必要性。其次，该团队在QML模型上实施MU算法，将MIA平均成功率降至仿真环境0%、量子硬件3.7%，同时保持对保留数据的预测精度。实验证明：部署MU机制的QML模型能有效抵抗MIA攻击。 综上，本文揭示了QML模型存在的重大隐私漏洞，并提供了有效的防御策略，为构建隐私保护的QML系统提供了可行路径。