迈向个性化量子联邦学习在异常检测中的应用

《IEEE Transactions on Network Science and Engineering》：Towards Personalized Quantum Federated Learning for Anomaly Detection

异常检测中，量子联邦学习（QFL）通过分布式训练解决数据隐私与资源集中化问题，但客户端硬件差异、噪声水平和数据预处理不一致导致模型泛化失效。本文提出个性化量子联邦学习（PQFL），结合参数化量子电路与经典优化器，制定量子态编码与预处理规则以适配各客户端异构特性，实现本地定制与全局协调的平衡。实验表明PQFL在非独立同分布（non-IID）数据场景下，将误报率降低23%，AUROC提升24.2%，AUPR提升20.5%，验证了其在实际量子联邦环境中的有效性及可扩展性。

　　

摘要：

异常检测在视频监控、医疗诊断和工业监测等应用中具有重要意义，但这些应用中的异常现象往往依赖于具体背景，且带有异常标签的数据非常有限。量子机器学习（QML）为高效处理高维数据提供了强大的工具，但集中式的QML系统面临诸多挑战，包括数据隐私问题以及单个节点需要大量量子资源的需求。量子联邦学习（QFL）通过将模型训练分散到多个量子客户端上来克服这些问题，从而消除了对集中式量子存储和处理的需求。然而，在实际的量子网络中，各个客户端在硬件能力、电路设计、噪声水平以及经典数据如何被编码或预处理成量子状态等方面存在差异。这些差异导致客户端之间存在固有的异质性——不仅体现在数据分布上，还体现在它们的量子处理行为上。因此，训练一个全局模型往往效果不佳，尤其是当客户端处理的数据不平衡或分布非均匀（非独立同分布，non-IID）时。为了解决这一问题，我们提出了一种名为个性化量子联邦学习（PQFL）的新框架用于异常检测。PQFL利用参数化量子电路和经典优化器在量子客户端上进行局部模型训练，并引入了一种以量子为中心的个性化策略，使每个客户的模型能够适应其自身的硬件特性和数据表示方式。这种方法在实现局部定制的同时保证了全局协调。大量实验表明，PQFL在多种实际条件下显著提高了异常检测的准确性。与现有最先进方法相比，PQFL将误报率降低了23%，AUROC指标提高了24.2%，AUPR指标提高了20.5%，显示出其在实际量子联邦环境中的有效性和可扩展性。

显示更多