Evidential Quantum Vertical Federated Learning

Resumen Técnico: Evidential Quantum Vertical Federated Learning (eviQVFL)

1. Planteamiento del Problema

El Aprendizaje Federado Cuántico (QFL) ha surgido como un paradigma prometedor para el aprendizaje colaborativo que preserva la privacidad. Sin embargo, la mayoría de las investigaciones actuales se centran en el Aprendizaje Federado Horizontal (HFL), donde las partes comparten las mismas características pero tienen muestras de datos diferentes.

El artículo aborda la falta de soluciones para el Aprendizaje Federado Vertical (VFL), un escenario más común en aplicaciones del mundo real (como bancos y plataformas de comercio electrónico) donde múltiples partes poseen muestras alineadas pero características complementarias (mismas entidades, diferentes características).

Los desafíos principales en VFL cuántico son:

• Privacidad: Transmitir estados cuánticos sin revelar características locales.
• Fusión de Información: Diseñar circuitos cuánticos que fusionen eficientemente estados locales de múltiples partes sin exponer los datos crudos.
• Estabilidad de Entrenamiento: Evitar el problema de las "mesetas estériles" (barren plateaus), donde los gradientes de los circuitos cuánticos variacionales (VQC) tienden a cero, impidiendo el aprendizaje, especialmente al escalar el número de qubits.

2. Metodología Propuesta: eviQVFL

Los autores proponen eviQVFL, un marco híbrido clásico-cuántico diseñado específicamente para VFL. La arquitectura se divide en tres componentes principales:

A. Procesamiento Lateral (Party-side): Modelo Híbrido TTN-VQC
Cada parte procesa sus características locales mediante un modelo híbrido:

1. Red de Tren Tensorial (TTN): Reduce la dimensionalidad de las características clásicas de alta dimensión a un vector de baja dimensión. Esto permite un entrenamiento eficiente y reduce el número de parámetros.
2. Codificación Angular: Las características reducidas se codifican en un estado cuántico utilizando puertas de rotación $R_y$.
3. Circuito Cuántico Variacional (VQC): Un circuito parametrizado transforma el estado codificado. La salida se interpreta como un estado de evidencia cuántica, donde los amplitudes del estado representan masas de creencia (Basic Belief Assignment - BBA) sobre el espacio de discernimiento (clases).

B. Transmisión Segura: Teletransportación Cuántica
En lugar de medir los estados cuánticos localmente (lo que causaría pérdida de información y riesgo de fuga de datos), las partes envían sus estados de salida $|\psi_{i,k}\rangle$ al servidor mediante teletransportación cuántica.

• Esto garantiza que las características locales nunca se expongan en forma clásica.
• Preserva la descripción cuántica completa de los datos, evitando la pérdida de información inherente a la medición.

C. Fusión en el Servidor: Circuito de Evidencia No Paramétrico
El servidor recibe los estados teletransportados y los fusiona utilizando un circuito cuántico basado en la Teoría de la Evidencia (Teoría de Dempster-Shafer).

• Regla de Combinación Conjuntiva (CCR): Se implementa mediante puertas $X$ controladas por $K$ qubits (K-controlled X gates).
• Ventaja Clave: A diferencia de los VQC tradicionales que requieren entrenamiento (y sufren de mesetas estériles), este circuito de fusión es no paramétrico y de profundidad fija. Esto permite fusionar la información de múltiples partes de manera coherente sin necesidad de optimizar gradientes en el servidor, mitigando drásticamente el problema de las mesetas estériles.
• Inferencia: Se realiza una medición proyectiva sobre el estado fusionado para obtener las probabilidades de clase (función de plausibilidad), que luego se pasan por una función softmax para la predicción final.

3. Contribuciones Clave

1. Primer Marco QFL para VFL: Presentación de eviQVFL, el primer marco de aprendizaje federado cuántico adaptado específicamente al escenario vertical.
2. Integración de Teoría de la Evidencia y Computación Cuántica: Se demuestra la equivalencia natural entre el conjunto potencia de la teoría de la evidencia y los estados de superposición de un sistema cuántico de $n$ qubits, permitiendo una fusión de información eficiente y semánticamente interpretable.
3. Privacidad Intrínseca: El uso de la teletransportación cuántica asegura que las características locales y los estados intermedios nunca se revelen al servidor ni a otras partes, aprovechando el teorema de no clonación.
4. Mitigación de Mesetas Estériles: El diseño de un circuito de fusión no paramétrico en el servidor evita el entrenamiento de grandes circuitos variacionales globales, resolviendo el problema de la vanishing gradient en VFL cuántico.

4. Resultados Experimentales

Los autores evaluaron eviQVFL en tareas de clasificación de imágenes (MNIST, FashionMNIST), predicción de cáncer de mama y detección de fraude con tarjetas de crédito, comparándolo con varios baselines (clásicos y cuánticos).

• Precisión Superior: eviQVFL logró consistentemente una mayor precisión de clasificación que todos los modelos de referencia (clásicos y cuánticos) bajo presupuestos de parámetros comparables.
• Estabilidad de Entrenamiento: Mientras que modelos alternativos como "teleported-then-VQC" (que usan un VQC entrenable en el servidor) fallaron en aprender debido a mesetas estériles severas, eviQVFL mostró convergencia rápida y estable.
• Análisis Teórico: Se demostró que el error de aproximación del modelo conjunto de eviQVFL decae con el presupuesto total de qubits de todas las partes, mientras que los métodos de promediado cuántico solo garantizan la capacidad de representación promedio de los modelos locales.
• Nota sobre la Pérdida (Loss): Aunque la pérdida (Loss) de los modelos cuánticos es ligeramente mayor que la de los clásicos debido a una cota inferior teórica impuesta por la medición cuántica, la precisión final es superior, lo que indica una mayor capacidad de representación.

5. Significado e Impacto

El trabajo de eviQVFL es significativo por varias razones:

• Viabilidad en la Era NISQ: Demuestra que es posible realizar aprendizaje federado vertical complejo en dispositivos cuánticos ruidosos de escala intermedia (NISQ) sin requerir circuitos profundos y entrenables en el servidor.
• Seguridad Cuántica Nativa: Ofrece un nivel de privacidad superior al VFL clásico, que a menudo depende de técnicas criptográficas complejas (como cifrado homomórfico), al utilizar las propiedades físicas de la mecánica cuántica para la protección de datos.
• Nueva Dirección para QML: Establece un precedente para integrar teorías de incertidumbre (como la teoría de la evidencia) en el diseño de circuitos cuánticos, guiando la creación de arquitecturas más interpretables y robustas.

En conclusión, eviQVFL no solo resuelve el problema de la fusión de datos en VFL cuántico, sino que también ofrece una solución robusta a los desafíos de entrenamiento y privacidad, posicionándose como un marco superior para aplicaciones colaborativas en sectores sensibles como la banca y la salud.