量子科技中心_量科网

异常检测在视频监控、医疗诊断和工业监测等应用中具有重要价值，但这些场景中的异常往往依赖上下文环境且标注数据有限。量子联邦学习（QFL）通过将模型训练分布到多个量子客户端，有效解决了对集中式量子存储和处理的需求。然而在实际量子网络中，各客户端的硬件性能、电路设计、噪声水平以及经典数据到量子态的编码预处理方式存在显著差异，这种异质性不仅体现在数据分布上，更反映在量子处理行为中，导致单一全局模型在面对非平衡或非独立同分布（non-IID）数据时效果不佳。针对这一问题，该研究团队提出面向异常检测的个性化量子联邦学习框架（PQFL），该框架采用参数化量子电路和经典优化器增强本地训练，并引入以量子特性为核心的个人化策略，使每个客户端模型适配其硬件特性与数据表征方式。大量实验表明，PQFL在多样化现实条件下显著提升异常检测性能：相较最先进方法，其误报率降低达23%，AUROC和AUPR指标分别提升24.2%和20.5%，验证了该框架在实际量子联邦场景中的有效性和扩展性。