量子科技中心_量科网

联邦学习（FL）专注于模型协作训练，无需将私有数据孤岛迁移至中央服务器。尽管具有诸多优势，经典FL仍存在若干局限性，如模型训练所需的高计算能力（这对资源有限的客户端至关重要）、隐私风险、大量更新流量以及非独立同分布的数据异构性。本章探讨了一种混合范式——量子联邦学习（QFL），其通过引入量子计算技术解决了经典FL的多重挑战，在保持经典协调框架的同时提供了快速计算能力。 首先，该团队通过具体分析经典FL的痛点引出QFL的动机，随后讨论QFL框架的通用架构，明确客户端与服务器的角色划分、通信原语及量子模型部署策略。现有QFL系统被依据四大标准分类：量子架构（纯QFL、混合QFL）、数据处理方法（量子数据编码、量子特征映射、量子特征选择与降维）、网络拓扑（集中式、分层式、分布式）以及量子安全机制（量子密钥分发、量子同态加密、量子差分隐私、盲量子计算）。接着，该研究团队阐述了QFL在医疗健康、车载网络、无线网络及网络安全领域的应用案例，明确指出相较于经典FL，QFL在通信效率、安全性和性能方面的提升。最后，研究人员提出了QFL面临的多个挑战与未来方向，包括拓展QFL至分类任务之外的领域、对抗性攻击防范、实际硬件部署、量子通信协议实施、异构量子模型聚合，以及作为QFL替代方案的量子拆分学习。