量子科技中心_量科网

量子学习从远程访问的量子计算和数据中必须解决两个关键挑战：验证数据的正确性以及确保学习者数据收集策略和最终结论的隐私性。Canetti和Karchmer（TCC 2021）的隐蔽（可验证）学习模型为经典学习算法提供了此类保证的框架。在该工作中，该研究团队提出了量子学习理论中的隐蔽可验证学习模型，并在无需计算硬度假设的情况下实现了这些模型，针对由已确立的量子数据优势驱动的远程数据访问场景。 该研究团队考虑了两种隐私概念：（i）策略隐蔽性，即窃听者无法获取关于学习者策略的信息；（ii）目标隐蔽性，即窃听者无法获取关于被学习未知对象的信息。该研究团队展示了：通过经典阴影进行量子统计查询的策略隐蔽算法；从公共量子样本和私有量子统计查询中学习二次函数的目标隐蔽算法，用于Pauli阴影层析成像和稳定子态学习（从公共多副本和私有单副本量子测量中），以及用于解决Forrelation和Simon问题（从公共量子查询和私有经典查询中），其中对手是单向或独立同分布的无辅助窃听者。特别是最后的结果表明，Forrelation和Simon问题中经典和量子查询之间的指数级分离在隐蔽性约束下仍然存在。在此过程中，该研究团队设计了从公共量子查询中获取量子数据的隐蔽可验证协议，这些协议可能具有独立的研究价值。总体而言，该团队的模型和相应算法表明，即使使用不受信任的远程数据，量子优势也可以私密且可验证地实现。