量子科技中心_量科网

量子联邦学习（QFL）近期已成为隐私保护协作学习的前沿范式，但现有研究多聚焦于横向联邦学习，而忽视了参与方持有对齐样本互补特征的纵向联邦学习（VFL）。该工作提出“证据量子纵向联邦学习”（eviQVFL）——一种专为VFL设计的QFL框架，采用经典-量子混合架构进行参与方特征处理，将本地特征映射至量子态。为保护隐私并避免信息损失，参与方输出态通过量子隐形传态直接传输至服务器，服务器采用基于证据理论的非参数证据融合电路对接收的量子态进行融合，随后执行基于测量的推理。在图像分类及现实数据集上的大量实验表明，在可比参数规模下，eviQVFL始终优于其他经典与量子基线方法，获得更高分类准确率。实证观察与理论分析共同表明，该方案能以有限量子资源实现更小近似误差，同时保持训练稳定性并提供更强特征隐私保护。