量子科技中心_量科网

工业物联网（IIoT）系统的快速发展为高维多变量时间序列中的异常检测带来了新挑战，特别是在隐私保护、可扩展性和通信效率方面至关重要。传统联邦学习方法通过去中心化训练缓解隐私问题，但面对高度非线性决策边界和不均衡异常分布时往往表现欠佳。为此，该研究团队提出一种融合量子特征映射与联邦聚合的“联邦量子核学习”（FQKL）框架，可在异构物联网网络中实现分布式隐私保护的异常检测。在该方案中，量子边缘节点利用参数化量子电路本地计算压缩核统计量，仅向中央服务器共享这些摘要信息，由后者构建全局格拉姆矩阵并训练决策函数（如联邦量子支持向量机）。基于合成IIoT基准数据的实验表明：相比经典联邦基线方法，FQKL在捕捉复杂时间相关性方面具有更优的泛化能力，同时显著降低通信开销。该工作揭示了量子核方法在联邦学习场景中的潜力，为构建可扩展、鲁棒且量子增强的新一代物联网智能基础设施提供了技术路径。