量子联邦学习（QFL）有望通过结合量子设备的计算能力与协作式模型训练，彻底改变分布式机器学习。然而，数据和模型的隐私性仍是关键挑战。该工作提出了一种隐私保护的QFL框架，其中n个量子设备组成的网络在多层隐私协议下训练本地模型并将其传输至中央服务器。该设计利用奇异值分解（SVD）、量子密钥分发（QKD）和解析量子梯度下降（AQGD）技术，分别保障数据准备、模型共享和训练阶段的安全性。通过对当代量子平台和数据集的理论分析及实验，研究团队证明该框架在保持训练效率的同时，能可靠保护数据与模型的机密性。
作者所在地：
VIP可见
作者单位：
VIP可见
提交arXiv：
2025-12-02 17:45
