量子科技中心_量科网

量子机器学习（QML）有望带来显著的计算优势，但如何保护训练数据隐私仍是一大挑战。经典的差分隐私随机梯度下降（DP-SGD）等方法虽然通过向梯度添加噪声实现隐私保护，却未能充分利用量子梯度估计的独特性质。该工作提出了首个专为QML设计的隐私保护机制——差分隐私参数偏移规则（Q-ShiftDP），通过参数偏移规则计算得到的量子梯度具有天然有界性和随机性，Q-ShiftDP利用这一特性实现了更精确的敏感度分析并降低了噪声需求。该机制将精确校准的高斯噪声与量子系统固有噪声相结合，在提供严格隐私保障的同时保持模型性能，研究表明利用量子固有噪声可进一步优化隐私与效用的平衡。基准数据集实验表明，Q-ShiftDP在QML任务中始终优于经典DP方法。