⚛️ quantum physics

Evidential Quantum Vertical Federated Learning

Dit paper introduceert eviQVFL, een nieuw quantumverticaal federatieleerframework dat een hybride klassiek-quantumarchitectuur en quantumteleportatie combineert om privacy te waarborgen en hogere classificatie-accuraatheid te bereiken met beperkte quantumbronnen.

Oorspronkelijke auteurs: Hao Luo, Zhiyuan Zhai, Qianli Zhou, Jun Qi, Yong Deng, Xin Wang

Gepubliceerd 2026-03-24

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Hao Luo, Zhiyuan Zhai, Qianli Zhou, Jun Qi, Yong Deng, Xin Wang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een groot raadsel moet oplossen, maar niemand heeft het hele plaatje. Iedereen heeft slechts een klein stukje van de puzzel.

In de echte wereld gebeurt dit vaak. Een bank heeft gegevens over je uitgaven, een ziekenhuis heeft je medische geschiedenis, en een sociale media-bedrijf weet wat je leuk vindt. Niemand wil zijn geheime gegevens delen, maar samen zouden ze een veel beter beeld kunnen krijgen. Dit heet Verticale Federated Learning (VFL): verschillende partijen werken samen aan één model, maar houden hun eigen data privé.

De auteurs van dit paper hebben een nieuwe, slimme manier bedacht om dit te doen, maar dan met kwantumcomputers. Ze noemen hun methode eviQVFL. Laten we het uitleggen met een paar creatieve vergelijkingen.

1. Het Probleem: De "Stille" Puzzelstukken

In de oude manier van werken (klassieke VFL) sturen de partijen hun berekende resultaten naar een centrale server. Het probleem is dat je hierbij vaak informatie verliest of dat je bang moet zijn dat hackers je data stelen.

Bij kwantumcomputers is het nog lastiger. Als je een kwantumtoestand (een heel kwetsbaar stukje informatie) meet om het te versturen, "breekt" het kwantumtoestand en verlies je de magie. Het is alsof je probeert een droom te beschrijven aan iemand; zodra je het opschrijft, is de droom zelf verdwenen.

2. De Oplossing: "Teleportatie" zonder Verlies

De auteurs gebruiken een trucje uit de kwantumwereld: Kwantumteleportatie.

De Analogie: Stel je voor dat je een brief wilt sturen, maar je mag de brief niet openen of kopiëren (dat is verboden door de natuurwetten). In plaats van de brief te mailen, gebruik je een magisch touw (een "verstrengeld" kwantumkanaal). Je "teleporteert" de inhoud van de brief direct naar de ontvanger. De brief is nu op de andere kant, maar op de plek waar hij vandaan kwam, is hij verdwenen.
In het paper: De partijen sturen hun kwantumberekeningen naar de server via deze teleportatie. De server krijgt het volledige, onbeschadigde kwantumbeeld, zonder dat de partijen hun eigen ruwe data hoeven te onthullen. Het is alsof je een geheime droom direct in iemands hoofd plaatst zonder er ooit over te hoeven praten.

3. De "Geloofsklomp": Bewijs theorie

Nu heeft de server een hoop verschillende kwantumstukjes van verschillende partijen. Hoe combineer je die?
De auteurs gebruiken een wiskundig idee genaamd Bewijs theorie (Evidence Theory).

De Analogie: Stel je voor dat je een detective bent. Je hebt drie getuigen.
- Getuige A zegt: "Ik denk dat de dader rood haar heeft, maar ik ben niet 100% zeker."
- Getuige B zegt: "Ik weet zeker dat hij een hoed draagt."
- Getuige C zegt: "Ik weet het niet, maar het zou een hoed kunnen zijn."
  In gewone wiskunde zou je dit misschien vergeten of middelen. Maar in deze theorie houd je rekening met onwetendheid. Je combineert de "geloofsklomp" van iedereen.
In het paper: De server gebruikt een speciale kwantumcircuit (een soort machine) die deze "geloofsklommen" van alle partijen samenvoegt. Dit circuit is heel slim ontworpen: het is niet zomaar een willekeurige machine, maar gebaseerd op de regels van bewijs theorie. Hierdoor kunnen ze alle informatie samenvoegen zonder dat het systeem "vastloopt" (een probleem dat barren plateaus heet, waarbij de computer te verward raakt om te leren).

4. Waarom is dit zo goed?

De auteurs hebben dit getest op verschillende taken, zoals het herkennen van kledingstukken op foto's, het voorspellen van borstkanker en het opsporen van creditcardfraude.

De Vergelijking: Het is alsof je een race hebt tussen een fiets (klassieke computers), een gewone auto (andere kwantummethoden) en een raket (hun nieuwe methode).
Het Resultaat: De "raket" (eviQVFL) won bijna altijd. Hij was sneller, nauwkeuriger en leerde makkelijker.
De Geheime Wapen: Omdat ze de kwantumtoestellen niet "openden" (meten) voordat ze ze verwerkten, en omdat ze de speciale "bewijs-circuit" gebruikten, konden ze meer informatie uit minder kwantumbits halen dan de anderen. Het is alsof ze uit één druppel water meer smaak kunnen halen dan de rest.

Samenvatting in één zin

De auteurs hebben een nieuwe manier bedacht om verschillende partijen samen te laten werken aan een slim computermodel: ze sturen hun geheime kwantum-dromen via een magisch teleportatiekanaal naar een centrale server, die die dromen combineert met een slimme "detective-methode" om de beste resultaten te krijgen, zonder dat iemand zijn geheimen hoeft prijs te geven.

Het is een stap in de richting van een toekomst waarin computers samenwerken als een super-team, terwijl ze hun eigen geheimen veilig bewaren.

Probleemstelling

Het artikel adresseert een belangrijke lacune in het huidige onderzoek naar Quantum Federated Learning (QFL). Bestaande studies richten zich bijna uitsluitend op Horizontale Federated Learning (HFL), waarbij partijen verschillende monsters delen maar dezelfde kenmerken hebben. In de praktijk zijn veel scenario's echter Verticale Federated Learning (VFL)-scenario's: verschillende organisaties (bijv. banken en e-commerce platforms) delen dezelfde monsters (klanten) maar hebben complementaire, verticale gesplitste kenmerken.

De uitdagingen bij het toepassen van quantumcomputing op VFL zijn tweeledig:

Privacy en Communicatie: Het overdragen van lokale gegevens of zelfs gemeten uitkomsten naar een centrale server kan privacyrisico's met zich meebrengen en informatieverlies veroorzaken door het meten van kwantumtoestanden.
Trainingsstabiliteit (Barren Plateaus): Het ontwerpen van een kwantumcircuit voor het fuseren van informatie van meerdere partijen is complex. Traditionele parametrische kwantumcircuits (VQCs) voor fusie lopen vaak vast in het "barren plateau"-probleem, waarbij de gradiënten exponentieel afnemen naar nul naarmate het aantal qubits toeneemt, waardoor training onmogelijk wordt.

Methodologie: eviQVFL

De auteurs stellen Evidential Quantum Vertical Federated Learning (eviQVFL) voor, een hybride klassiek-kwantum framework dat specifiek is ontworpen voor VFL. De architectuur bestaat uit drie hoofdblokken:

1. Partij-zijde Verwerking (Hybride Model)
Elke partij ( $k$ ) verwerkt zijn lokale kenmerken ( $x_{i,k}$ ) via een hybride model bestaande uit:

Tensor-Train Network (TTN): Een klassiek neurale netwerk dat hoge dimensies reduceert tot een lagere dimensie. Dit vermindert de complexiteit en het aantal parameters.
Kwantum Encoder: De gereduceerde kenmerken worden via hoekcodering (rotatie-Y poorten) omgezet in een kwantumtoestand.
Variational Quantum Circuit (VQC): Een parametrisch kwantumcircuit dat de toestand transformeert naar een lokale "evidentiële" toestand. De uitkomst is een kwantumtoestand $|\psi_{i,k}\rangle$ die informatie draagt over de lokale bewijslast (Basic Belief Assignment - BBA) volgens de theorie van bewijs (Dempster-Shafer theorie).

2. Kwantum Teleportatie (Veilige Overdracht)
In plaats van de lokale toestand te meten en klassieke bits te sturen (wat informatie verliest), wordt de volledige kwantumtoestand $|\psi_{i,k}\rangle$ via kwantumteleportatie naar de server verzonden.

Dit maakt gebruik van gedeelde EPR-paren (verstrengelde qubits) tussen de partij en de server.
De partij voert lokale metingen uit en stuurt de klassieke meetresultaten naar de server, die vervolgens de oorspronkelijke toestand op zijn eigen qubit herstelt.
Voordeel: De ruwe data en de volledige kwantumrepresentatie blijven privé; de server ziet nooit de klassieke kenmerken of de tussenliggende gemeten waarden.

3. Server-zijde Evidentiële Fusie
De server ontvangt de kwantumtoestanden van alle partijen en voert een niet-parametrische evidentiële fusie uit:

In plaats van een trainbaar VQC te gebruiken (wat leidt tot barren plateaus), gebruikt de server een vast, dieptelimitatief circuit gebaseerd op de conjunctieve combinatieregel (CCR) uit de theorie van bewijs.
Dit circuit gebruikt K-gestuurde X-poorten om de bewijslasten van de $K$ partijen te fuseren.
De uitkomst is een gefuseerde kwantumtoestand die de plausibiliteit van elke klasse weergeeft.
Een projectieve meting op deze toestand levert de klassieke waarschijnlijkheid voor de classificatie op.

Belangrijkste Bijdragen

Eerste QFL-framework voor VFL: Het introduceert het eerste framework dat specifiek is ontworpen voor verticale gesplitste data in een quantumcontext.
Integratie van Bewijs-theorie en Kwantum: Het koppelt de theorie van bewijs (Dempster-Shafer) aan kwantumtoestanden. De kwantumtoestanden worden geïnterpreteerd als bewijslasten, waarbij de superpositie de exponentiële complexiteit van het fuseren van bewijslasten oplost.
Oplossing voor Barren Plateaus: Door een niet-parametrische, theoretisch onderbouwde fuselayer te gebruiken in plaats van een volledig trainbaar VQC voor fusie, omzeilt het framework het barren plateau-probleem, wat zorgt voor stabielere training.
Verbeterde Privacy: Door kwantumteleportatie te gebruiken, wordt voorkomen dat de server directe toegang krijgt tot de lokale kwantumtoestanden of klassieke data, wat een intrinsieke privacygarantie biedt die klassieke VFL-frameworks (vaak afhankelijk van cryptografie) niet inherent hebben.

Resultaten

De auteurs hebben eviQVFL getest op diverse datasets, waaronder:

Afbeeldingsclassificatie: MNIST en FashionMNIST (verticaal gesplitst in blokken).
Medische Diagnose: Breast Cancer Wisconsin dataset.
Fraudedetectie: Credit Card Fraud Detection dataset.

Kernbevindingen:

Hogere Nauwkeurigheid: eviQVFL behaalde consistent hogere classificatienauwkeurigheid dan zowel klassieke baselines (zoals gemiddelde of geconcateneerde MLP's) als andere quantum-baselines (zoals "measure-then-average" of "measure-then-VQC").
Trainbaarheid: In tegenstelling tot een vergelijkbaar model dat een trainbaar VQC gebruikte voor fusie (wat faalde door barren plateaus), convergeerde eviQVFL snel en stabiel.
Representatievermogen: Theoretische analyse toont aan dat de benaderingsfout van eviQVFL afneemt met het totale aantal qubits van alle partijen samen, terwijl andere methoden beperkt blijven tot de lokale capaciteit.
Verlies: Hoewel het kwantumverlies een theoretische ondergrens heeft door de aard van kwantummetingen, presteert het model qua nauwkeurigheid superieur.

Betekenis en Impact

Dit werk is significant omdat het een brug slaat tussen drie complexe domeinen: Federated Learning, Quantum Computing en Evidence Theory.

Het bewijst dat quantumcomputing nuttig kan zijn voor privacy-preservatie in VFL-scenario's, niet alleen voor snelheid.
Het biedt een praktische oplossing voor het trainingsprobleem (barren plateaus) in NISQ-era (Noisy Intermediate-Scale Quantum) apparatuur door slimme circuit-architectuur in plaats van brute kracht.
Het biedt een nieuw paradigma voor veilige samenwerking tussen organisaties met gevoelige, complementaire data, waarbij de privacy wordt gewaarborgd door fundamentele kwantumwetten (no-cloning theorema) in plaats van alleen wiskundige cryptografie.

Kortom, eviQVFL demonstreert dat een hybride, theorie-gedreven aanpak superieure resultaten kan leveren in privacygevoelige, verdeelde leeromgevingen met beperkte quantumresources.