🤖 machine learning

A Drift Stable Quantum Federated Learning for Intelligent Services

本文提出了 DUQFL-Prox，一种漂移稳定的量子联邦学习框架，该框架结合了自适应展开式 SPSA 更新、近端项以及轻量级控制器，以增强异构分布式智能服务的稳定性、泛化性和客户端公平性。

原作者： Shanika Iroshi Nanayakkara, Shiva Raj Pokhrel

发布于 2026-07-27

📖 1 分钟阅读☕ 轻松阅读

原作者： Shanika Iroshi Nanayakkara, Shiva Raj Pokhrel

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一个这样的世界：你的手机、你的智能手表，以及你邻居的笔记本电脑都想通过共同学习来解决一个大问题，比如识别银行欺诈或鉴定一种罕见的遗传特征。但问题在于，它们都不愿意分享各自的私密数据。它们就像一群侦探，无法向彼此展示各自的秘密卷宗。这就是联邦学习（Federated Learning）的世界——一种聪明的让计算机在从不交换私密笔记的情况下进行团队协作学习的方法。现在，想象一下将这种团队协作提升到量子世界的水平——那个由原子和亚原子粒子构成的领域，在那里，事物可以同时处于许多个地方。这就是量子联邦学习（Quantum Federated Learning）。它承诺能更快速、更安全地解决复杂问题，但这有点像是在指挥一个管弦乐团，而每位乐手使用的乐器都摇摇晃晃、嘈ло嘈杂，甚至有时还会忘掉音符。科学家们正在提出的重大问题是：我们如何让这些量子计算机协同工作得如此顺畅，而不至于让其中一个大嗓门的乐手毁掉整场演出？

本文介绍了一位为这个量子管弦乐团准备的新队长的名字，叫做 DUQFL-Prox。作者认为，目前训练这些量子模型的方式过于僵化，就像强迫每一位乐手无论其乐器表现如何，都必须演奏完全相同的音符和速度。这往往会导致“客户端漂移（client drift）”，即有些乐手因为过度沉溺于自己的练习，导致音调跑偏，使得最终的集体表演变得混乱且不公平。为了解决这个问题，研究人员提出了一个系统，在这个系统中，每个量子计算机（或称“客户端”）不再仅仅遵循固定的剧本。相反，它们使用一个聪明的、具有适应性的教练，实时观察乐手的进度并随时调整指令。

把它想象成一款难度会自动调节的电子游戏：如果玩家感到吃力，游戏就会减慢速度；如果玩家游刃有余，游戏就会加速。在这个系统中，“教练”（一个轻量级的控制器）会不断检查局部量子模型的表现，并调整学习步骤。但这里还有一个安全网：一个“近端（proximal）”规则，如果局部模型开始偏离轨道，该规则会将它轻轻拉回到团队的主要目标上。这就像一根蹦极绳，让你可以在探索的同时，又不至于从悬崖跌落。研究人员还增加了一条“择优”规则：每个客户端不再仅仅发送他们模型的最后一个版本，而是发送在练习过程中表现最好的那个版本，从而跳过那些在最后阶段变得过于混乱的版本。

当团队在两个截然不同的挑战——识别银行欺诈和分类 DNA 序列——中测试这种新方法时，他们发现了一些令人振奋的迹象。在银行欺诈测试中（由于“坏案例”非常罕见，情况十分棘手），DUQFL-Prox 不仅获得了高分，而且确保了每一个客户端（每一家银行）都表现良好，而不仅仅是那些幸运的客户端。它缩小了模型在练习中与在现实世界中表现之间的差距，这表明它不太容易被虚假模式所迷惑。在 DNA 测试中，虽然另一种方法获得了略高的最高分，但 DUQFL-Prox 是最一致且最公平的，确保了没有单个客户端被落下。作者在量子计算机的计算机模拟上运行了这些实验，甚至检查了最终模型是否能在来自 IBM 的真实、带有噪声的量子硬件上运行。结果表明，这种自适应、漂移稳定的方法有助于量子团队在数据混乱且仪器不稳的情况下，也能更可靠、更公平地学习。它并不是解决一切问题的灵丹妙药，但它为让这些未来的量子服务对每个人都更加值得信赖指明了一条路径。

技术摘要：用于漂移稳定型量子联邦学习的 DUQFL-Prox

问题陈述
量子联邦学习（QFL）使分布式客户端能够在不集中原始数据的情况下训练量子神经网络（QNN），这一能力对于金融欺诈检测和基因组分类等隐私敏感型智能服务至关重要。然而，现有的 QFL 流水线在异构环境中面临显著挑战。局部 QNN 的优化本质上是具有噪声、非凸且对优化器配置高度敏感的。当客户端数据呈现非独立同分布（non-IID）特性时，固定的局部优化方案（例如使用静态超参数的标准 SPSA）往往会导致不稳定的局部更新、过度的客户端漂移以及客户端间性能的不公平。此外，为了提高效率而排除“掉队者”（straggler）客户端的策略会引入代表性偏差，这在那些需要处理关键或特定领域数据分布的领域中尤为有害。核心问题在于如何在异构设置中稳定局部 QNN 的优化轨迹，以确保聚合兼容性、公平性和可靠的泛化能力，且无需丢弃困难客户端。

方法论：DUQFL-Prox
本文提出了 DUQFL-Prox（具有近端正则化的深度展开量子联邦学习），该框架旨在通过双层学习结构来稳定 QFL：

深度展开局部优化： 该方法并非将局部 QNN 训练视为固定流程，而是将局部训练分解为 $K$ 个展开的优化块。在每个步骤 $k$ ，一个轻量级的共享**元控制器（meta-controller）**会生成自适应的 SPSA（同时扰动随机逼近）超参数——具体包括学习率 ( $\eta$ ) 和扰动尺度 ( $\delta$ )。这些参数是基于优化状态特征向量 ( $z$ ) 推导出来的，该向量包含了展开进度、损失行为、参数位移和客户端上下文信息。
近端漂移控制： 为了应对 non-IID 数据带来的客户端漂移，在局部目标函数中添加了一个近端正则化项。该项惩罚与广播的全局模型 ( $\theta^{(t)}$ ) 之间的过度偏差，确保客户端在进行局部适配的同时，其更新仍能与全局聚合保持兼容。局部目标函数变为 $L_i^{prox}(\theta) = L_i(\theta) + \frac{\mu}{2}\|\theta - \theta^{(t)}\|_2^2$ 。
基于验证的最佳展开选择： 客户端并不一定上传其局部训练的最终状态。相反，它们会在所有展开状态中评估验证损失，并上传使验证损失最小化的检查点 ( $\theta_{i, \star}$ )。这防止了过于激进的后期更新导致全局模型性能下降。
外部元目标与控制器自适应： 共享控制器并非静态。它会根据聚合后全局验证性能定期进行精炼。该元损失函数包括全局验证损失、客户端级公平性、通信成本和优化稳定性等项。控制器参数通过外部循环 SPSA 步骤进行更新，从而有效地学习“如何优化”局部 QNN，以实现最大化的全局和公平性能。

核心贡献

自适应框架： 引入了 DUQFL-Prox，它将局部 QNN 训练建模为一个自适应的多步深度展开过程，而非固定的优化程序。
控制器驱动的 SPSA： 一种机制，通过共享控制器根据局部优化状态动态生成特定步骤的 SPSA 学习率和扰动尺度，从而实现跨客户端和跨通信轮次的自适应。
漂移与公平性控制： 通过集成近端正则化和基于验证的最佳展开选择，来减少客户端漂移、防止过度专业化并提高聚合兼容性。
双层学习结构： 一种外部循环自适应机制，旨在将局部优化行为与聚合后的全局性能对齐，实现对优化过程本身的优化。

实验结果
该框架在两个智能服务任务上进行了评估：银行账户欺诈（BAF）检测（高度不平衡、non-IID）和基因组分类。

BAF 数据集： DUQFL-Prox 实现了最高的最终全局准确度（~~0.65）和平均客户端测试准确度（~~0.64），显著优于 FedProx-QFL 和 Default-QFL。至关重要的是，它将训练-测试差距降低到接近于零，并实现了最低的客户端公平性差距（~0.019），表明其在不同客户端间表现均衡。与基准模型相比，它在 ROC-AUC、PR-AUC 和 MCC 方面也展示了更稳定的后期轮次行为。
基因组数据集： 虽然 FedProx-QFL 实现了略高的最终全局准确度（~~0.85），但 DUQFL-Prox 获得了最高的平均客户端测试准确度（~~0.80）、最低的训练-测试差距以及最低的公平性差距。这突显了其卓越的泛化能力和在异构客户端间的稳定性。
硬件验证： 通过 DUQFL-Prox 训练的选定全局检查点在真实的 IBM 量子硬件上进行了执行。结果显示，与 Default-QFL 基准相比，DUQFL-Prox 检查点在真实硬件上保持了更稳定的轨迹，尽管存在设备噪声，仍能保持与模拟器结果的一致性。

意义与主张
本文声称 DUQFL-Prox 为需要隐私、公平性和可靠性的异构分布式环境下的智能服务提供了稳健的解决方案。通过利用深度展开和近端控制来稳定局部优化轨迹，该框架允许困难或资源受限的客户端贡献有用的更新，而不必将其排除在外。作者将这项工作定位为不是针对任意非凸 QFL 系统提供完整的收敛保证，而是对支持更可靠、更公平智能服务的稳定性、漂移控制和元优化行为的表征。结果表明，深度展开式量子联邦学习可以有效地管理噪声量子环境下局部适应性与全局一致性之间的权衡。

技术摘要：用于漂移稳定型量子联邦学习的 DUQFL-Prox

类似论文