量子科技中心_量科网

联邦学习（FL）是一种广泛应用的机器学习模型训练方法，既能实现规模化训练，又可保护数据隐私（即无需集中原始数据）。已有研究表明，当客户端的更新被多次纳入聚合模型时，敏感数据暴露的风险会呈累积式增长。攻击者可发起成员推理攻击（MIA，推断某样本或客户端是否参与训练）、属性推理攻击（PIA，推测客户端数据的属性）以及模型反演攻击（MI，重构输入数据），从而推断出客户端的特定属性，某些情况下甚至能重构输入数据。 本文提出一种受量子计算启发的二次无约束二进制优化（QUBO）方法，通过筛选每轮训练中最相关的少量客户端更新数据，显著降低单个客户端的数据暴露风险。该研究聚焦于两种威胁途径：(i) 客户端在训练过程中的信息泄露；(ii) 攻击者查询或获取全局模型的能力。研究假设存在可信的中央服务器，且不考虑服务器遭入侵的情形，同时要求服务器能访问符合全局数据分布的验证/测试集。 在包含300个客户端、20轮训练的MNIST数据集实验中，该方法实现了单轮95.2%和累计49%的隐私暴露降低，其中147个客户端的更新数据全程未被使用，同时保持了与全聚合相当的模型精度甚至更优表现。在较小规模数据集和更复杂模型场景下（如基于30个客户端的CINIC-10数据集实验），该方法同样有效，实现单轮82%和累计33%的隐私提升。