量子科技中心_量科网

量子联邦学习（QFL）实现了分布式量子设备间量子机器学习（QML）模型的协同训练，且无需原始数据交换。然而，QFL仍易受对抗性攻击威胁，共享的QML模型更新可能被利用来破坏信息隐私。在噪声中等规模量子（NISQ）设备背景下，核心问题浮现：如何利用固有量子噪声实施差分隐私（DP）保护训练与通信过程中的模型信息？本工作探索了一种创新DP机制，通过调控量子噪声为QFL全流程的量子模型提供保护。通过测量次数与退极化通道强度调节噪声方差，该方法实现了适配NISQ限制的可定制化DP水平。仿真实验通过考察差分隐私预算与噪声参数的关联性，以及安全性与训练精度的平衡关系，验证了该框架的有效性。此外，研究通过对抗样本攻击场景验证了框架的鲁棒性，基于对抗样本分类准确率、正确预测置信度及攻击成功率等关键指标进行评估。结果显示隐私保护与鲁棒性之间存在可调节的平衡关系，为NISQ设备上的安全QFL提供了高效解决方案，对可靠量子计算应用具有显著潜力。