量子科技中心_量科网

量子联邦学习（QFL）虽将隐私保护联邦机制与量子计算优势相结合，但其对抗噪声的鲁棒性尚属未知。该研究团队首次证明QFL与中心化量子学习同样脆弱，进而提出“鲁棒量子联邦学习”（RobQFL）框架，将对抗训练直接嵌入联邦循环。RobQFL提供三项可调参数：客户端覆盖率γ（0-100%）、扰动调度策略（固定ε与ε混合）及优化方式（微调或从头训练），并通过γ×ε曲面提炼出两项核心指标：准确率-鲁棒性面积与鲁棒性体积。基于MNIST和Fashion-MNIST数据集的15客户端仿真实验（含IID与非IID场景）表明：仅对20-50%客户端实施对抗训练，即可在ε≤0.1时提升约15个百分点的准确率且干净准确率损失<2个百分点；采用微调策略可再增3-5个百分点。当覆盖率≥75%时，适度ε混合策略最优；而高强度ε调度仅在全覆盖率时有效。标签排序的非IID数据划分会使鲁棒性减半，凸显数据异构性是核心风险因素。