論文の概要: Reverse Delegated Training and Private Inference via Perfectly-Secure Quantum Homomorphic Encryption

• arxiv url: http://arxiv.org/abs/2602.12712v1
• Date: Fri, 13 Feb 2026 08:27:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.892292
• Title: Reverse Delegated Training and Private Inference via Perfectly-Secure Quantum Homomorphic Encryption
• Title（参考訳）: 完全セキュアな量子同型暗号による逆復号化学習とプライベート推論
• Authors: Sergio A. Ortega, Miguel A. Martin-Delgado,
• Abstract要約: 完全セキュアな量子同型暗号方式を量子ニューラルネットワーク(QNN)に適用した最初の現実的実装を示す。 その結果、マルチパーティ量子機械学習の実践的なフレームワークとして、完全セキュアなQHEが確立された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum machine learning in cloud environments requires protecting sensitive data while enabling remote computation. Here we demonstrate the first realistic implementations of a perfectly-secure quantum homomorphic encryption (QHE) scheme applied to quantum neural networks (QNN). Using efficient Clifford+$T$ decomposition, we implement quantum convolutional neural networks for two complementary scenarios: (i) reverse delegated training, where encrypted data from multiple providers trains a user's network via federated aggregation; (ii) private inference, where users process encrypted data with remote quantum networks. Moreover, analysis of server circuit privacy reveals probabilistic model protection through Pauli gate concealment. These results establish perfectly-secure QHE as a practical framework for multi-party quantum machine learning.
• Abstract（参考訳）: クラウド環境での量子機械学習は、リモート計算を可能にしながら機密データを保護する必要がある。 本稿では,完全セキュアな量子同相暗号(QHE)方式を量子ニューラルネットワーク(QNN)に適用した最初の現実的実装を示す。 効率的なClifford+$T$分解を用いて、2つの相補的なシナリオに量子畳み込みニューラルネットワークを実装する。 i) 複数のプロバイダからの暗号化されたデータが連合集約を通じてユーザのネットワークをトレーニングする逆デリゲートトレーニング。 (ii) 暗号化されたデータをリモート量子ネットワークで処理するプライベート推論。 さらに、サーバ回路のプライバシの分析により、パウリゲートの隠蔽による確率的モデル保護が明らかになった。 これらの結果は、マルチパーティ量子機械学習の実践的なフレームワークとして、完全セキュアなQHEを確立している。

関連論文リスト

• Quantum delegated and federated learning via quantum homomorphic encryption [0.5939164722752263]
  本稿では,量子デリゲート型およびフェデレート型学習を無理論データプライバシ保証で実現可能な汎用フレームワークを提案する。 この枠組みの下での学習と推論は、盲点量子コンピューティングに基づくスキームに比べて通信の複雑さが著しく低いことが示される。
  論文  参考訳（メタデータ） (2024-09-28T14:13:50Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Guarantees on the structure of experimental quantum networks [105.13377158844727]
  量子ネットワークは、セキュアな通信、ネットワーク量子コンピューティング、分散センシングのためのマルチパーティ量子リソースと多数のノードを接続し、供給する。 これらのネットワークのサイズが大きくなるにつれて、認証ツールはそれらの特性に関する質問に答える必要がある。 本稿では,ある量子ネットワークにおいて特定の相関が生成できないことを保証するための一般的な方法を示す。
  論文  参考訳（メタデータ） (2024-03-04T19:00:00Z)
• Enhancing the expressivity of quantum neural networks with residual connections [0.0]
  量子残差ニューラルネットワーク(QResNets)を実装する量子回路に基づくアルゴリズムを提案する。 我々の研究は、古典的残留ニューラルネットワークの完全な量子的実装の基礎を築いた。
  論文  参考訳（メタデータ） (2024-01-29T04:00:51Z)
• Blind quantum machine learning with quantum bipartite correlator [13.533591812956018]
  本稿では,量子二部相関アルゴリズムに基づく新しい盲点量子機械学習プロトコルを提案する。 当社のプロトコルは、信頼できない関係者からのデータのプライバシーを維持しながら、通信オーバーヘッドを減らした。
  論文  参考訳（メタデータ） (2023-10-19T16:42:32Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• CryptoQFL: Quantum Federated Learning on Encrypted Data [8.047082221165097]
  Federated Learning(FL)は、新興の分散機械学習フレームワークである。 本稿では,暗号化データの分散QNNトレーニングを可能にするQNNフレームワークであるCryptoQFLを提案する。 CryptoQFLは、(1)各エッジがローカルのプライベートデータでQNNをトレーニングし、中央の量子サーバーに送信する前に量子ホモ暗号化を使用してその更新を暗号化すること、(2)CryptoQFLが局所的な勾配更新を3次値に量子化し、非ゼロの値をサーバにアグリゲーションするためにのみ通信すること、(3)CryptoQFLは効率的な計算効率を示すこと、である。
  論文  参考訳（メタデータ） (2023-07-13T18:29:05Z)
• Quantum Federated Learning for Distributed Quantum Networks [9.766446130011706]
  本稿では,量子力学の興味深い特徴を利用した分散量子ネットワークのための量子フェデレーション学習を提案する。 分散量子ネットワーク内のクライアントがローカルモデルをトレーニングするのを助けるために、量子勾配降下アルゴリズムが提供される。 量子セキュアなマルチパーティ計算プロトコルを設計し,中国の残差定理を用いた。
  論文  参考訳（メタデータ） (2022-12-25T14:37:23Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。