Privacy-preserving quantum federated learning via gradient hiding

要約

分散量子コンピューティング、特に分散量子機械学習は、個々の量子ノードの制限を超えて、分散量子リソースの集合的な力を活用する能力により、大きな注目を集めています。
一方、分散コンピューティング プロトコル内のプライバシーに関する重大な懸念は、特に、参加しているクライアントのデータがサーバーによる勾配反転攻撃を介して漏洩しやすい標準的な古典的なフェデレーテッド ラーニング (FL) シナリオにおいて、依然として大きな課題となっています。
この論文では、FL 問題に対処し、プライバシー対策を強化し、通信効率を最適化するために設計された量子通信を備えた革新的な量子プロトコルを紹介します。
表現力豊かな変分量子回路や差分プライバシー技術を活用したこれまでの研究とは対照的に、私たちは量子状態を使用した勾配情報隠蔽を考慮し、プライベート内積推定に基づくものと増分学習に基づく 2 つの異なる FL プロトコルを提案します。
これらのプロトコルは、少ない通信リソースでプライバシー保護に大幅な進歩をもたらし、効率的な量子通信支援 FL プロトコルへの道を切り開き、安全な分散量子機械学習の開発に貢献し、量子コンピューティング時代の重大なプライバシー問題に対処します。

要約(オリジナル)

Distributed quantum computing, particularly distributed quantum machine learning, has gained substantial prominence for its capacity to harness the collective power of distributed quantum resources, transcending the limitations of individual quantum nodes. Meanwhile, the critical concern of privacy within distributed computing protocols remains a significant challenge, particularly in standard classical federated learning (FL) scenarios where data of participating clients is susceptible to leakage via gradient inversion attacks by the server. This paper presents innovative quantum protocols with quantum communication designed to address the FL problem, strengthen privacy measures, and optimize communication efficiency. In contrast to previous works that leverage expressive variational quantum circuits or differential privacy techniques, we consider gradient information concealment using quantum states and propose two distinct FL protocols, one based on private inner-product estimation and the other on incremental learning. These protocols offer substantial advancements in privacy preservation with low communication resources, forging a path toward efficient quantum communication-assisted FL protocols and contributing to the development of secure distributed quantum machine learning, thus addressing critical privacy concerns in the quantum computing era.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google