Evidential Quantum Vertical Federated Learning

1. 연구 배경 및 문제 정의 (Problem)

• 양자 연방 학습 (QFL) 의 한계: 기존 양자 연방 학습 연구는 주로 수평적 연방 학습 (HFL, 동일한 특징, 다른 샘플) 에 집중되어 있습니다. 그러나 실제 금융, 의료 등 다양한 분야에서는 수직적 연방 학습 (VFL, 동일한 샘플, 다른 특징) 이 더 일반적입니다.
• VFL 환경의 도전 과제:
  • 개인정보 보호: 각 참여자 (Party) 가 보유한 특징 데이터를 서버나 다른 참여자에게 노출하지 않고 모델을 학습해야 합니다.
  • 정보 손실: 기존 양자 방법론에서는 양자 상태를 측정하여 고전적 값으로 변환한 후 전송하는 경우가 많아, 양자 중첩 상태의 고유한 정보가 손실됩니다.
  • ** barren plateau (황량한 고원) 문제:** 많은 수의 큐비트와 깊은 회로를 가진 가변 양자 회로 (VQC) 를 학습할 때, 기울기가 0 에 수렴하여 학습이 불가능해지는 현상이 발생합니다.
  • 정보 융합의 복잡성: 서로 다른 참여자들의 양자 상태를 효율적으로 융합하면서도 지역적 특징을 보호하는 회로 설계가 어렵습니다.

2. 제안 방법론: eviQVFL (Methodology)

저자들은 **증거 이론 (Evidence Theory, Dempster-Shafer Theory)**과 양자 텔레포테이션을 결합한 새로운 VFL 프레임워크인 eviQVFL을 제안했습니다.

가. 전체 아키텍처

• 하이브리드 구조: 참여자 측에서는 고전적 신경망과 양자 회로를 혼합한 모델을 사용하고, 서버 측에서는 양자 회로를 통해 정보를 융합합니다.
• 데이터 흐름:
  1. 참여자 측 (Party-side): 로컬 특징 데이터를 처리하여 양자 상태로 인코딩합니다.
  2. 전송: 생성된 양자 상태를 양자 텔레포테이션을 통해 서버로 전송합니다 (물리적 이동 없이 정보만 전달).
  3. 서버 측 (Server-side): 수신된 다수의 양자 상태를 비매개변수 (non-parametric) 증거 융합 회로로 결합한 후 측정을 통해 예측을 수행합니다.

나. 핵심 구성 요소

1. 참여자 측 특징 처리 (Party-side Feature Processing):

   • TTN-VQC 아키텍처: 고차원 특징을 저차원으로 축소하기 위해 **텐서 트레인 네트워크 (TTN)**를 사용하고, 이를 양자 상태로 매핑하기 위해 **각도 인코딩 (Angle Encoding)**을 적용합니다.
   • 가변 양자 회로 (VQC): 인코딩된 상태를 처리하여 로컬 증거 (Local Evidence) 를 나타내는 양자 상태 $|\psi_{i,k}\rangle$를 생성합니다. 이 상태는 증거 이론의 기본 신념 할당 (BBA) 정보를 양자 중첩으로 표현합니다.

2. 양자 텔레포테이션 (Quantum Teleportation):

   • 참여자의 양자 상태를 서버로 전송할 때, 측정 (Measurement) 을 수행하지 않고 양자 텔레포테이션을 사용합니다.
   • 효과: 측정으로 인한 정보 손실을 방지하고, 고전적 특징 값이 직접 노출되지 않아 강력한 프라이버시 보호를 제공합니다 (복제 불가 정리에 기반).

3. 서버 측 증거 융합 (Server-side Evidential Aggregating):

   • 비매개변수 융합 회로: 서버는 학습 가능한 파라미터가 없는 고정된 양자 회로를 사용합니다.
   • 다중 제어 X 게이트 (Multi-controlled X gates): 증거 이론의 **합집합 규칙 (Conjunctive Combination Rule, CCR)**을 양자 회로로 구현합니다. $K$개의 참여자로부터 들어온 증거를 $K$-제어 X 게이트를 사용하여 융합합니다.
   • 장점: 학습 가능한 파라미터가 없어 barren plateau 문제를 효과적으로 우회하며, 계산 복잡도를 기하급수적으로 줄입니다.

4. 추론 및 학습:

   • 융합된 양자 상태를 측정하여 각 클래스에 대한 **가능성 함수 (Plausibility Function)**를 추출합니다.
   • Softmax 함수를 적용하여 최종 확률을 도출하고, 교차 엔트로피 손실 함수를 사용하여 고전적 옵티마이저 (Adam 등) 로 파라미터를 업데이트합니다.

3. 주요 기여 (Key Contributions)

1. 최초의 수직적 양자 연방 학습 프레임워크: 기존 HFL 중심의 연구에서 벗어나, 수직적 분할 (VFL) 환경에 특화된 양자 연방 학습 프레임워크를 최초로 제안했습니다.
2. 증거 이론과 양자 컴퓨팅의 융합: 증거 이론의 불확실성 표현 능력을 양자 중첩 상태에 매핑하여, 고전적 알고리즘으로는 불가능한 효율적인 증거 융합을 가능하게 했습니다.
3. 강력한 프라이버시 보호: 양자 텔레포테이션을 활용하여 로컬 양자 상태를 직접 전송함으로써, 측정 기반 전송 방식의 정보 손실과 고전적 데이터 유출 위험을 동시에 제거했습니다.
4. 학습 안정성 확보: 서버 측에 학습 가능한 복잡한 회로 대신 고정된 증거 융합 회로를 사용하여, VQC 학습 시 발생하는 barren plateau 문제를 해결하고 학습 안정성을 확보했습니다.

4. 실험 결과 (Results)

저자들은 MNIST, FashionMNIST, 유방암 데이터셋 (Breast Cancer), 신용카드 사기 탐지 (Credit Card Fraud) 등 다양한 데이터셋에서 실험을 수행했습니다.

• 성능 비교: eviQVFL 은 기존 고전적 방법 (classical-average, classical-fuse) 및 다른 양자 베이스라인 (measure-then-average, measure-then-VQC 등) 보다 일관되게 높은 분류 정확도를 달성했습니다.
• 손실 (Loss) 분석: 양자 측정의 특성상 손실 값에 하한선이 존재하지만, eviQVFL 은 동일한 파라미터 예산 하에서 다른 양자 모델보다 더 낮은 손실과 더 빠른 수렴을 보였습니다.
• 학습 안정성: 특히 "teleported-then-VQC"(서버 측에 학습 가능한 VQC 사용) 와 같은 대안 모델은 심각한 barren plateau 로 인해 학습에 실패한 반면, eviQVFL 은 모든 실험에서 성공적으로 학습하고 수렴했습니다.
• 근사 오차 (Approximation Error): 이론적 분석을 통해 eviQVFL 이 전체 참여자의 총 큐비트 자원에 비례하여 근사 오차가 감소함을 보였습니다. 반면, 단순 평균 방식의 베이스라인은 개별 참여자의 자원 수준에 제한받았습니다.

5. 의의 및 결론 (Significance)

• 실용적 가치: 제한된 큐비트 수와 잡음이 있는 NISQ (Noisy Intermediate-Scale Quantum) 시대에, 수직적 연방 학습 문제를 해결할 수 있는 실현 가능한 양자 솔루션을 제시했습니다.
• 프라이버시와 효율성의 균형: 양자 역학의 기본 원리 (복제 불가, 측정 붕괴) 를 활용하여 암호화 기술 없이도 강력한 데이터 프라이버시를 보장하면서도, 정보 손실 없이 고품질의 모델을 학습할 수 있음을 증명했습니다.
• 미래 지향성: 증거 이론의 통찰력을 양자 회로 설계에 접목함으로써, 해석 가능하고 학습 가능한 양자 머신러닝 모델 개발의 새로운 방향성을 제시했습니다.

이 논문은 양자 컴퓨팅이 실제 프라이버시 민감한 협업 학습 환경 (VFL) 에서 어떻게 혁신적인 성능과 보안을 제공할 수 있는지를 보여주는 중요한 연구로 평가됩니다.