量子科技中心_量科网

当数据被窃取或干扰时，机器学习的安全性十分脆弱，但现有框架很少将安全性的定义与分析同可学习性联系起来。该工作基于“概率近似正确”（PAC）理论构建了一个安全学习体系，并提出将数据路径行为与有限样本预算相关联的操作框架。在该模型中，精度-置信度目标通过基于运行的序贯测试进行评估——该测试在连续验证达到预设次数后终止；若数据路径通道符合准入标准，闭式预算界将确保学习成功，同时接受阈值必须超越原始随机搜索基线。研究人员在量子信息背景下升华并完善了这一安全学习架构，首次提出“量子安全PAC学习”概念：在制备-测量场景中，数据路径准入标准设定为由Holevo信息量固定的阈值，而非学习者可调的容差。因此，学习者获得经认证的信息优势将直接转化为学习安全性——这一效应在经典系统中不存在。信道决定的置信度自然生成，且实际部署中纳入了基矢筛选。这是首个在PAC学习中同时嵌入安全概念与操作样本预算法则，并将安全性锚定于量子信息的完整框架。该蓝图指明了学习安全标准化保障的方向，为PAC-Bayes扩展与先进量子机器学习前端的集成提供了清晰路径。