量子科技中心_量科网

量子神经网络（QNNs）因其利用独特量子现象检测数据复杂模式的潜力而备受关注，这使其在生物医学应用中尤为前景广阔。此类应用及其他场景中，提升统计效能通常需要聚合多方参与者的数据。然而，共享敏感数据（如个人基因组序列）会引发重大隐私隐患。量子联邦学习提供了一种协同训练QNN模型而不暴露私有数据的方法，但仍面临通信开销大、任务修改需重新训练模型等主要局限。 为应对这些挑战，该研究团队提出一种利用混合量子态编码数据集的隐私保护型QNN训练方案。该方法可在保护个体数据点的前提下安全共享统计信息，QNN能直接基于这些混合态进行训练，无需访问原始数据。基于此，研究人员设计了支持跨领域多方可协作QNN训练的协议。该方案实现了三大突破：单轮通信即可完成安全训练、具备高速训练能力、支持任务普适性（无需重新获取参与者数据即可开展新分析）。 该工作从理论上证明了方案的实用性与隐私保护性：既能防止个体数据点被还原，又能抵抗差分隐私指标衡量的成员推理攻击。研究团队在三个不同数据集（重点针对基因组研究）上验证了有效性，并证明该方案可直接推广至其他领域应用。