量子科技中心_量科网

在采用量子神经网络（QNN）作为本地模型后，量子联邦学习（QFL）近期面临显著挑战。首先，对尖锐最小值的探索受阻导致学习性能下降；其次，稳定的梯度下降虽使模型在无线信道中的传输更稳定可预测，却也更容易遭受敌对实体的攻击。此外，由于需使用量子门和电路进行训练，本地QFL模型易受量子设备中间噪声态产生的干扰影响——此类噪声在训练过程中会与学习参数交织，损害模型精度与收敛速度。为应对这些问题，该研究团队提出一种新型QFL技术，融合差分隐私机制并设计专用噪声评估策略以量化及抵消量子中间噪声的影响。团队还开发了自适应噪声生成方案，既能缓解QNN梯度消失变异现象引发的隐私威胁，又可提升对设备噪声的鲁棒性。实验结果表明，该算法在保持强隐私保护的同时，有效平衡了收敛性、降低通信成本并减轻量子中间噪声的负面影响。基于现实数据集测试，该工作在MNIST数据集上实现98.47%的准确率，在CIFAR-10数据集上达83.85%，且保持高效执行速度。