量子科技中心_量科网

该研究团队提出了一种面向联邦医学图像分类的隐私感知混合框架，该框架融合了张量网络表征学习、多方计算（MPC）安全聚合与聚合后量子优化三大技术。该工作的设计动机源于隐私感知联邦学习中的两个现实约束：多方计算可能带来显著的通信开销，而直接对高维医学图像进行量子处理在有限量子比特条件下难以实现。 为在单一架构中同时解决这两个约束，该方案采用客户端侧的张量网络前端——包括矩阵乘积态（MPS）、树状张量网络（TTN）和多尺度纠缠重整化拟设（MERA）——将本地输入压缩为紧凑的潜在表征，随后通过量子增强处理器（QEP）执行量子态嵌入和基于可观测量的读出操作来优化聚合后的潜在特征。在PneumoniaMNIST数据集上的实验表明：量子增强处理器的效果具有前端依赖性而非架构普适性，在当前设置下，TTN与QEP的组合展现出最均衡的综合性能。 实验结果还揭示：当量子比特数量与潜在维度充分匹配时，QEP表现更稳定，而噪声环境会导致性能相对无噪声场景下降。多方计算基准测试进一步表明，通信成本主要受保护的潜在表征维度支配。这说明张量网络压缩具有双重作用：既实现对压缩特征的小规模量子比特处理，又降低了安全聚合的通信开销。这些发现共同支持了协同设计视角——表征压缩、聚合后量子优化与隐私感知部署应当联合优化。