Dynamic Entanglement-Weighted Pruning for Quantum Federated Unlearning in Supply-Chain Risk Prediction

In de moderne wereld van logistiek is het voorspellen van risico's een gezamenlijke inspanning. Vrachtbedrijven, fabrikanten en vervoerders bezitten allemaal stukjes van een puzzel — gegevens over vertragingen, financiële gezondheid en routeverstoringen — die geen enkel bedrijf legaal of veilig met anderen kan delen. Om dit op te lossen, gebruiken ze een methode genaamd federated learning. In plaats van hun gevoelige gegevens samen te voegen in één centrale database, trainen ze een gedeeld computermodel door alleen kleine, versleutelde updates heen en weer te sturen. De ruwe gegevens verlaten nooit de locatie van de eigenaar. Deze aanpak is onlangs uitgebreid naar het opkomende veld van quantum computing, waarbij het gedeelde model niet een standaardprogramma is, maar een complexe rangschikking van quantum bits, of qubits, die informatie kunnen verwerken op manieren die klassieke computers niet kunnen. Er is echter een nieuwe complicatie ontstaan. Privacywetgeving, zoals de Algemene Verordening Gegevensbescherming in Europa, verleent individuen en bedrijven het "recht om vergeten te worden". Als een bedrijf zich bij een gezamenlijk model aansluit en later besluit zich terug te trekken, eist de wet dat zijn invloed uit het uiteindelijke systeem wordt gewist. In een klassieke setting is dit moeilijk; in een quantumsetting, waar informatie door een fenomeen genaamd verstrengeling (entanglement) met elkaar verweven is, is het zelfs nog mysterieuzer. De centrale vraag wordt: hoe verwijder je de bijdrage van één persoon uit een quantummodel zonder het vermogen van het model om risico's voor de rest te voorspellen te vernietigen?

Onderzoekers aan het Indian Institute of Technology Jodhpur hebben een oplossing voorgesteld voor dit probleem, een methode die zij Entanglement-Weighted Pruning noemen. Het team, onder leiding van Aditya Kumar en Sumit Chongder, pakte de uitdaging aan door een scenario voor het voorspellen van risico's in de toeleveringsketen te simuleren, waarbij vijf verschillende bedrijven betrokken waren. In hun experiment hield elk bedrijf een kleine set gegevens over verzendingsrisico's vast. Ze trainden samen een gedeeld quantummodel, en vervolgens, in een gesimuleerd juridisch verzoek, vroeg een bedrijf om te worden verwijderd. De onderzoekers hadden een manier nodig om de invloed van dat specifieke bedrijf chirurgisch weg te snijden zonder de hele het model vanaf nul opnieuw te hoeven trainen, een proces dat op de huidige quantumhardware ongelooflijk traag en duur zou zijn.

Het team realiseerde zich dat niet alle onderdelen van het quantummodel even belangrijk zijn voor elk bedrijf. Om te bepalen welke onderdelen verwijderd moesten worden, ontwikkelden ze een scoresysteem dat naar twee specifieke zaken kijkt voor elke instelbare knop, of parameter, in het quantumcircuit. Ten eerste maten ze hoe gevoelig een specifieke knop was voor de gegevens van het bedrijf dat wilde vertrekken. Als een knop de output van het model drastisch veranderde wanneer deze met de gegevens van dat bedrijf werd gevoed, werd deze als zeer gevoelig voor dat bedrijf beschouwd. Ten tweede maten ze hoeveel die knop bijdroeg aan de quantumverstrengeling van het systeem. Verstrengeling is de unieke quantumverbinding die deeltjes met elkaar verbindt; sommige knoppen creëren sterke verbindingen tussen deeltjes, terwijl andere zwakke verbindingen creëren. De onderzoekers ontdekten dat de veiligste knoppen om te verwijderen die waren die zeer gevoelig waren voor de gegevens van het vertrekkende bedrijf, maar zeer zwakke verstrengelingsverbindingen creëerden. Dit waren de onderdelen van het model die de specifieke geheimen van het bedrijf bevatten, maar niet essentieel waren voor de algemene structuur die het model bij elkaar hield.

Ze combineerden deze twee metingen in één enkele score. Elke knop met een lage score — wat betekende dat deze specifiek was voor het vertrekkende bedrijf maar structureel onbelangrijk was voor de groep — werd teruggezet naar een neutrale staat, waardoor de bijdrage effectief werd gewist. Na deze pruning voerden de onderzoekers een korte, gerichte aanpassing uit met alleen de gegevens van de overgebleven bedrijven om ervoor te zorgen dat het model nog steeds goed functioneerde. Ze testten deze methode tegen verschillende alternatieven, waaronder het simpelweg opnieuw trainen van het hele model vanaf nul, wat de gouden standaard is maar veel tijd kost, en andere methoden die slechts naar één van de twee factoren keken.

De resultaten waren opmerkelijk. In hun simulatiesen bereikte de nieuwe pruning-methode een nauwkeurigheid van ongeveer 8か procent bij het voorspellen van risico's, een cijfer dat statistisch niet te onderscheiden is van de methode van volledig opnieuw trainen. Belangrijker nog, het was veel effectiever in het "vergeten". Wanneer de onderzoekers testten of een hacker nog steeds kon zien of de gegevens van het vertrekkende bedrijf deel hadden uitgemaakt van de training, maakte de nieuwe methode het model aanzienlijk moeilijker te misleiden dan de methode van volledig opnieuw trainen. De meest significante bevinding was echter de snelheid. Terwijl het volledig opnieuw trainen van het model ongeveer 65 seconden duurde in hun simulatie, voltooide de nieuwe pruning-methode het unlearn-proces in minder dan vier seconden. Dit vertegenwoordigt een versnelling van ongeveer 16 keer, een enorme winst voor een systeem waarbij elke seconde aan berekening kostbaar is.

De studie onderzocht ook wat er gebeurt als de onderzoekers probeerden slechts één van de twee factoren te gebruiken. Als ze knoppen verwijderden op basis van alleen de gevoeligheid voor het vertrekkende bedrijf, zonder de kracht van de verstrengeling te negeren, daalde de nauwkeurigheid van het model met meer dan 35 procentpunten. Op dezelfde manier, als ze knoppen verwijderden op basis van alleen zwakke verstrengeling, zonder de specifieke gegevensgevoeligheid te negeren, slaagde het model er niet in om het bedrijf effectief te vergeten. Dit bevestigde dat de combinatie van beide signalen noodzakelijk was; de methode werkte alleen omdat het de specifieke intersectie vond waar een parameter zowel een drager van de ongewenste gegevens als veilig om weg te gooien was.

De onderzoekers waren zorgvuldig in het benoemen van de beperkingen van hun werk. Hun bevindingen komen voort uit een simulatie op een klassieke computer, niet op een echte quantummachine, en ze gebruikten een klein model met slechts vier qubits. Ze benadrukten ook dat hoewel hun methode het effect van een juridisch "recht om vergeten te worden" nabootst, het geen wiskundige garantie biedt dat de gegevens op dezelfde manier verdwenen zijn als een cryptografisch bewijs dat zou doen. Desondanks biedt de studie een duidelijk, praktisch pad vooruit. Het suggereert dat wanneer quantummodellen in de toekomst worden gebruikt om kritieke beslissingen te nemen in velden zoals de toeleveringsketen of de gezondheidszorg, het mogelijk zal zijn om privacywetgeving te respecteren en specifieke bijdragen te verwijderen zonder de prestaties van het model of dagen wachten op een volledige hertraining op te offeren. De methode verandert een potentieel destructief proces in een precieze, efficiënte operatie, waardoor de collectieve intelligentie van de groep kan evolueren terwijl individuele leden komen en gaan.