量子科技中心_量科网

量子联邦学习（QFL）有望通过将量子设备的计算能力与协作式模型训练相结合，彻底改变分布式机器学习格局。然而，数据与模型的双重隐私保护仍是核心挑战。该研究团队提出了一种隐私保护型QFL框架，在该框架中，n个量子设备组成的网络通过多层隐私协议训练本地模型并传输至中央服务器。该方案融合奇异值分解（SVD）、量子密钥分发（QKD）和解析量子梯度下降（AQGD）技术，为数据准备、模型共享和训练阶段提供三重安全保障。基于现有量子平台和数据集的理论分析及实验表明，该框架在保持训练效率的同时，能有效维护数据与模型的机密性。