表达丰富的变分量子电路在联邦学习中提供固有的隐私保护
原文中文，约300字，阅读约需1分钟。发表于：。使用具有表达性编码映射和超参数化参量的变分量子电路模型引入了联邦学习，显示了表达性映射对抗梯度反演攻击具有内在隐私保护能力，而超参数化则确保了模型的可训练性。同时，通过数值扩展论证了攻击模型中表达性映射的欠参数化导致丢失地形被大量虚假局部极小点淹没，使得攻击难以成功，从而强有力地宣称量子机器学习模型的本质性质有助于防止联邦学习中的数据泄露。
该研究提出了描述符来表征和识别可表达但紧凑的参数化电路，探讨了电路深度、量子位连接方式以及门的选择组合等因素。结果表明环形或全连接排列的二比特门的性能优于直线排列的二比特门，X - 旋转门的序列比 Z - 旋转门的序列的可表达性和纠缠能力得到了提高，同时发现了参数化量子电路模板的饱和现象。
