Quantum delegated and federated learning via quantum homomorphic encryption

📄 arXiv: 2409.19359v1 📥 PDF

作者: Weikang Li, Dong-Ling Deng

分类: quant-ph, cs.CR, cs.LG

发布日期: 2024-09-28

备注: 5 pages, 1 figure, 1 table

期刊: Res. dir. Quantum technol. 3 (2025) e3

DOI: 10.1017/qut.2025.2

💡 一句话要点

提出基于量子同态加密的量子委托和联邦学习框架，保障数据隐私。

🎯 匹配领域: 支柱五：交互与反应 (Interaction & Reaction)

关键词: 量子机器学习 量子同态加密 委托学习 联邦学习 数据隐私 量子计算 云计算 量子核方法

📋 核心要点

  1. 现有量子学习模型在云端应用时，面临客户端数据隐私泄露的风险，需要安全保护机制。
  2. 论文提出基于量子同态加密的委托和联邦学习框架，允许服务器在加密数据上进行计算，保护隐私。
  3. 该框架在通信复杂度上优于盲量子计算方案，并证明了量子加速在私有委托学习中的可行性。

📝 摘要（中文）

量子学习模型具有超越经典计算的潜力。随着强大的量子服务器在云端可用，确保客户私有数据的保护至关重要。本文通过结合量子同态加密方案，提出了一个通用的框架，该框架支持具有计算理论数据隐私保证的量子委托和联邦学习。结果表明，与基于盲量子计算的方案相比，在该框架下的学习和推理具有显著更低的通信复杂度。此外，在所提出的量子联邦学习场景中，客户端本地量子设备的计算负担较小，因为服务器可以在加密的量子数据上操作而无需提取任何信息。进一步证明了监督学习中的某些量子加速可以延续到采用量子核方法的私有委托学习场景中。这些结果为云上具有隐私保证的量子学习提供了有价值的指导，这可能有利于未来的研究和安全相关的应用。

🔬 方法详解

问题定义：论文旨在解决量子机器学习在云环境中应用时，客户端数据隐私保护的问题。现有方法，如盲量子计算，虽然可以实现委托计算，但通信复杂度较高，限制了其应用范围。此外，传统的联邦学习方法难以直接应用于量子数据，需要新的隐私保护方案。

核心思路：论文的核心思路是利用量子同态加密（Quantum Homomorphic Encryption, QHE）技术，允许服务器在加密的量子数据上进行计算，而无需解密。这样，客户端可以将加密后的数据上传到服务器进行学习或推理，服务器在不知道原始数据的情况下完成计算，从而保护了客户端的隐私。

技术框架：该框架包含以下几个主要阶段：1) 客户端使用量子同态加密方案加密其量子数据；2) 客户端将加密后的数据发送到服务器；3) 服务器在加密的数据上执行量子学习算法，例如量子核方法；4) 服务器将加密的计算结果返回给客户端；5) 客户端使用密钥解密结果，获得最终的学习或推理结果。对于联邦学习，多个客户端加密数据后上传至服务器，服务器在加密数据上进行联邦学习的聚合和更新。

关键创新：论文的关键创新在于将量子同态加密技术应用于量子委托和联邦学习，提出了一种新的隐私保护框架。该框架不仅保证了数据的隐私性，而且在通信复杂度上优于传统的盲量子计算方案。此外，论文还证明了某些量子加速可以在私有委托学习场景中得以保留。

关键设计：论文中，量子同态加密方案的选择至关重要，需要考虑其计算复杂度和安全性。对于量子核方法，需要设计合适的量子线路来实现核函数的计算。在联邦学习中，需要设计合适的聚合算法，以保证在加密数据上的聚合结果仍然有效。具体的参数设置和网络结构取决于具体的量子学习任务和所使用的量子同态加密方案。

🖼️ 关键图片

fig_0

📊 实验亮点

论文证明了基于量子同态加密的量子委托学习框架在通信复杂度上优于基于盲量子计算的方案，实现了更高效的隐私保护量子计算。此外，论文还证明了监督学习中的量子加速可以延续到采用量子核方法的私有委托学习场景中，为实际应用提供了理论支持。

🎯 应用场景

该研究成果可应用于云计算环境下的安全量子机器学习，例如，在医疗健康领域，患者的基因数据可以被安全地用于训练疾病预测模型；在金融领域，用户的交易数据可以被安全地用于风险评估。该框架为隐私敏感数据的量子机器学习提供了理论基础和技术指导，促进了量子计算在实际场景中的应用。

📄 摘要（原文）

Quantum learning models hold the potential to bring computational advantages over the classical realm. As powerful quantum servers become available on the cloud, ensuring the protection of clients' private data becomes crucial. By incorporating quantum homomorphic encryption schemes, we present a general framework that enables quantum delegated and federated learning with a computation-theoretical data privacy guarantee. We show that learning and inference under this framework feature substantially lower communication complexity compared with schemes based on blind quantum computing. In addition, in the proposed quantum federated learning scenario, there is less computational burden on local quantum devices from the client side, since the server can operate on encrypted quantum data without extracting any information. We further prove that certain quantum speedups in supervised learning carry over to private delegated learning scenarios employing quantum kernel methods. Our results provide a valuable guide toward privacy-guaranteed quantum learning on the cloud, which may benefit future studies and security-related applications.