量子科技中心_量科网

量子联邦学习（QFL）通过共享模型梯度而非原始数据，实现了量子机器学习（QML）模型的分布式训练。然而这些梯度仍可能泄露用户敏感信息。为增强隐私性，学术界提出在QFL及相关框架中采用参数同态加密方案。该工作评估了全同态加密（FHE）在QFL系统中引入的开销，并评估了其在实际应用中的可行性。研究团队实现了包括量子卷积神经网络（QCNN）在内的多种QML模型，在联邦学习环境下使用CKKS加密方案对参数进行加密训练——这是首个采用CKKS加密参数、在联邦框架下训练的QCNN。通过训练不同架构的模型来预测MRI扫描中的脑肿瘤，实验表明内存与通信开销仍然显著，使得FHE部署面临挑战。若要最小化开销需减少模型参数量，但这会导致分类性能下降，从而在隐私保护与模型复杂度之间形成权衡。