量子科技中心_量科网

该研究团队提出了一套统一的信息论框架，用于分析差分隐私（DP）量子学习算法的泛化性能。通过建立隐私保护与算法稳定性之间的关联，研究人员证明（ε,δ）-量子差分隐私（QDP）对训练数据与算法输出之间的互信息施加了严格约束。针对满足1-邻近隐私约束的学习算法，该工作推导出与机制无关的互信息严格上界。进一步将这种稳定性保证与泛化性能相关联，证实任何（ε,δ）-QDP学习算法的期望泛化误差均受限于隐私诱导稳定性项的平方根。最后，该框架被扩展至非可信数据处理器场景，通过引入“信息论可容许性（ITA）”概念，刻画了当学习映射本身必须对具体数据集实例保持不可知时隐私保护的基本极限。