量子科技中心_量科网

量子机器学习（QML）因其增强经典机器学习（ML）任务（如分类）的潜力而日益受到关注。虽然量子噪声常被视为量子计算的主要挑战，但它同时也为增强隐私提供了独特机遇。特别是本征量子噪声作为一种天然随机资源，在差分隐私（DP）框架下经过严格分析并与经典机制结合时，可满足形式化的(ε,δ)-差分隐私保障。这使得在不影响隐私预算的前提下减少经典扰动成为可能，从而有望提升模型效用。然而，如何整合经典噪声与量子噪声以实现隐私保护仍属研究空白。该工作提出了一种混合噪声机制HYPER-Q，通过结合经典与量子噪声来保护QML模型的隐私。研究人员对其隐私保障进行了全面分析，并建立了效用理论边界。实证研究表明，在多个现实数据集上，HYPER-Q在对抗鲁棒性方面优于现有基于经典噪声的机制。