标签
本文提出了一种新颖的自洽中点聚合方法，用于实现稳定的量子联邦学习，解决了数据异质性和量子噪声等挑战，并在真实量子机器上进行了验证。
本文提出DUQFL-Prox，一种漂移稳定的量子联邦学习框架，采用深度展开局部优化，结合自适应SPSA更新和近端项，以改善异构分布式环境中的稳定性、泛化能力和客户端公平性。
QDiffusion-TS是首个针对真实世界时间序列合成的量子生成扩散模型，它用量子神经网络替换了去噪Transformer中的前馈组件。该模型将可训练参数减少了近三个数量级，并在金融数据上将Wasserstein距离改进了44%，在下游预测任务中RMSE最高提升71%。
本文提出了一个面向对抗鲁棒网络入侵检测的随机量子神经网络(SQNN)严格 N 量子比特理论，证明了退相干收缩定理，并展示了退极化噪声能提供对抗攻击的鲁棒性，同时在 NSL-KDD 数据集上进行了实验。