联合量子和经典计算：一种保护隐私的混合方法

摘要

arXiv:2609.25082v1 Announce Type: new Abstract: Quantum machine learning (QML) is increasingly recognized as one of the most promising near-term applications of quantum computing, viewed as a next-fro...

classical quantum the this and that party centralizing raw data

2026-09-23 1 阅读约1分钟阅读 Carlos Cano, Daniel M. Jimenez-Gutierrez, Diego Sal, Georgios Kellaris, Joaquin del Rio, Oleksii Sliusarenko, Xabi Uribe-Etxebarria

arXiv：2609.25082v1 公告类型：新摘要：量子机器学习（QML）越来越被认为是量子计算最有前途的近期应用之一，被视为超越纯粹经典方法的下一个前沿候选者。混合量子经典模型通过将参数化量子电路嵌入模型中来发挥这一潜力，其中所有其他组件都保持经典 - 这种设计已应用于化学模拟、金融建模和图像分类。然而，它们在隐私敏感的多方环境中的部署受到避免集中原始数据的需要以及现代量子电路保持参数高效以保持大规模可训练的要求的限制。在本文中，我们通过评估联邦学习（FL）作为一种将混合量子经典主动方与经典被动方相结合的手段来解决这些限制，使用 Sherpa.ai 的盲垂直 FL (SBVFL) 协议来避免集中原始数据，同时大幅减少通信。我们遵循常见的 QML 设计实践构建了分裂乘法周期奇偶校验 (SMPP) 基准。在这项任务中，我们的模拟表明，与本地训练相比，SBVFL 将准确度从 0.7227 提高到 0.8757，非常接近非私有集中式准确度，并且混合量子经典模型用比经典神经网络和随机森林替代方案少得多的可训练参数实现了这一目标。这些结果表明，FL 无需集中原始数据即可实现高性能、保护隐私的量子经典协作。

订阅66必读