量子科技中心_量科网

联邦学习（FL）能够实现隐私保护的分布式模型训练，但仍易受梯度反演和模型泄露攻击。量子通信虽被提议用于为参数聚合提供信息论安全保障，但其实际部署受到通信开销和量子信道噪声的严重制约。该研究团队通过系统性定量研究，揭示了量子联邦学习（QFL）中通信-收敛-噪声三者间的权衡关系，并提出两种互补策略来减少量子传输：（1）基于参数化量子电路中光锥特征选择的结构化参数精简；（2）混合QFL架构——该架构在训练期间动态切换集中式与去中心化聚合模式。研究人员推导出显式通信成本公式，证明混合QFL将每轮量子传输量从3NMP降至{3t+2(T-t)}NMP，在保持接近集中式收敛性能的同时实现显著节省。进一步分析表明，在退极化噪声环境下，去中心化聚合因每轮传输更少量子比特而具有更强抗噪性。最后，该工作评估了基于Steane码的量子纠错在高噪声场景下的有效性，为构建通信高效且噪声感知的QFL提供了集成化设计框架，阐明了实现可扩展量子安全分布式学习所需的关键实践权衡。