Federated Unlearning of Quantum Data via Classical Shadows
本文提出了 SHADE，一种用于量子神经网络的联邦遗忘方法，该方法利用经典阴影（classical shadows）通过牛顿校正来估计并消除特定量子数据的影响，在无需数据重放的情况下实现了重训练级别的精度，且所需的阴影规模仅随观测量的后向光锥进行缩放。
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
在量子计算这一新兴世界中，机器处理信息的方式并非像我们口袋里的计算机那样处理比特。相反，它们操纵的是量子态，即原子或光子等微观粒子的微妙物理状态。这些状态极其脆弱；一旦科学家对其进行测量以读取数据，该状态就会被消耗并改变，就像拆开一个密封的信封会破坏其秘密一样。这种脆弱性为量子传感器网络带来了独特的挑战，在这些网络中，许多小型设备协同工作以训练一个共享的人工智能。如果某个传感器发生故障，或者用户想要删除其数据，网络必须“忘记”那部分特定的信息。在传统计算中，这通常通过重新播放旧数据来教导系统如何遗忘来完成。然而，由于量子态在测量后会消失且无法被复制，旧数据根本不再存在。网络留下的是一段无法重访的过去记忆，使得删除特定数据的任务看起来如果不从头开始整个训练过程就几乎不可能实现。
研究人员现在提出了一个解决这一悖论的方法，称为基于阴影的数据擦除（Shadow-based Data Erasure，简称 SHADE），它允许量子网络在无需再次见到原始状态的情况下忘记特定数据。这支跨越美国多所大学的研究团队意识到，虽然量子态本身已经消失，但它们对网络产生的数学影响可以从另一种记录中重建。在初始训练阶段，网络中的每个节点不仅仅是为了主要的学习任务而测量数据，它还会留出几份量子态的副本用于进行“快照”（snapshots）。这些快照并不是对状态的完整记录（因为保留完整记录是不可能的），而是通过一系列随机的单比特测量，捕捉足够的信息，以便预测该状态在未来不同条件下的行为表现。可以将这些快照想象成量子物体的经典素描，只捕捉其本质轮廓，而无需持有物体本身。
SHADE 方法的精妙之处在于它如何利用这些素描来进行精确的数学修正。当收到从特定传感器或特定时间段删除数据的请求时，网络不需要重新测量已经消失的状态。相反，节点利用存储的快照来估算被遗忘数据对共享模型的数学“拉力”。它们计算被遗忘的数据对网络当前知识产生了多少影响，以及剩余数据如何支持模型的结构。随后，一个中央服务器将这些估算值结合起来，对模型的参数应用一次强力的调整。这种调整有效地抵消了不必要数据的影响，使网络保留的模型表现得就像从未见过这些数据一样。至关重要的是，整个过程仅使用通过标准互联网连接传输的经典信息进行，在删除过程中无需再次准备或测量任何量子态。
研究人员在涉及五十个节点的模拟实验以及配备了量子处理器的物理边缘计算板上测试了这种方法。他们发现，该方法具有卓越的速度和准确性。在测试中，修正后的模型与完全使用新数据重新训练的模型性能相匹配，其准确率差异不到 0.5 个百分点。这种水平的精度是在不到 0.2 秒内实现的，这比其他试图重放数据或移除整个节点的方案所需的时间要短得多。研究还揭示了一个关于存储成本的惊人洞察：忘记一个状态所需的数据量并不随系统中量子比特总数的增加而增长，而是根据数据所触及的网络部分的复杂程度而增长。这意味着，即使量子网络规模扩大以处理更复杂的问题，忘记特定信息所需的内存依然是可控的。
通过证明量子数据可以在没有原始状态的情况下被擦除，这项工作消除了量子机器学习实际部署的一个重大障碍。它确保了这些强大的网络能够尊重用户隐私，并适应变化的情况，而不会被困在过去的错误中。该方法依赖于这样一个事实：即便量子态本身已不在，它对学习模型的数学影响也是可以预测的。通过在训练期间进行细致的随机测量记录，研究人员展示了网络可以学会遗忘，在保护系统完整性的同时，尊重那些贡献了数据的权利。这一进展预示着一个未来，量子网络不仅强大，而且灵活且值得信赖，能够在不断演进的同时，不会被那些本不该存在的残留数据所纠缠。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。