[Paper] 读取侧旁路用于残差混合量子‑经典模型

Source: arXiv - 2511.20922v1

概览

本文提出了一种 残差混合量子‑经典架构，能够规避量子机器学习（QML）中臭名昭著的“测量瓶颈”。通过在最终分类层之前将原始输入数据直接与量子生成的特征一起送入经典分类器，作者在不增加量子深度的情况下实现了显著更高的准确率，使 QML 在真实世界、对隐私敏感的场景（如联邦边缘学习）中更具可行性。

主要贡献

• 读出侧旁路（RSB）设计： 一种轻量级残差连接，将原始输入向量与量子特征嵌入在最终分类层之前进行拼接。
• 性能提升： 相比纯量子基线提升最高 +55 % 准确率，并在集中式和联邦场景中均优于现有混合 QML 模型。
• 通信高效的联邦学习： 由于量子部分保持浅层，上传/下载流量保持低水平，而残差路径不携带额外的量子数据。
• 隐私鲁棒性： 残差快捷通道降低了必须从量子测量中推断的信息量，减轻了测量瓶颈固有的泄漏风险。
• 全面消融实验： 验证性能提升来源于读出外部旁路，而非单纯增加模型容量。

方法论

1. 混合模型结构

   • 量子编码器： 一个浅层可变参数量子电路（VQC）对输入进行处理，并在测量后输出低维量子特征向量。
   • 残差路径： 将原始（经典）输入向量 拼接 到量子特征向量上，形成更丰富的表示。
   • 经典分类器： 标准神经网络（如全连接层或小型 MLP）接收组合向量并产生最终预测。

2. 训练流程

   • 量子电路参数与经典分类器共同使用基于梯度的方法进行优化（量子梯度采用参数移位规则，经典部分使用反向传播）。
   • 在联邦实验中，每个客户端本地运行相同的混合模型，仅将 经典分类器权重 发送至服务器；量子参数保持在设备端，从而将通信开销降至最低。

3. 评估设置

   • 基准包括经典分类数据集（如 MNIST、CIFAR‑10 子集）以及用于模拟边缘设备异构性的合成联邦划分。
   • 对照组：纯量子分类器、无残差连接的先前混合方案，以及规模相当的全经典深度网络。

结果与发现

• 消融实验： 去除残差拼接后，准确率回落至先前混合方案水平，进一步确认旁路的核心作用。
• 可扩展性： 将量子电路深度提升至 4 层以上收益递减，而残差路径仍持续驱动性能提升，凸显该方法对 NISQ 设备的近期适用性。

实际意义

• 边缘 AI 与联邦学习： 开发者可以在资源受限的设备（如智能手机、物联网传感器）上嵌入浅层量子编码器，而不会增加带宽或功耗，同时利用量子表达能力提升模型泛化能力。
• 隐私优先的部署： 由于原始输入绕过量子测量，敏感特征无需完全暴露给量子子系统，从而在医疗、金融等隐私关键领域降低攻击面。
• 快速原型： 该架构可通过标准量子 SDK（Qiskit、Pennylane）与现有机器学习框架（PyTorch、TensorFlow）无缝对接，团队无需重写数据加载或训练循环即可尝试 QML。
• 硬件无关性： 量子部分保持浅层，使其能够在当前噪声中等规模量子（NISQ）硬件上运行，也可在经典模拟器上进行早期开发。

局限性与未来工作

• 量子硬件噪声： 虽然残差旁路缓解了深度相关的错误，但方法仍受当前量子测量的随机性影响，可能影响真实设备上的可复现性。
• 模型规模权衡： 拼接会增加分类器输入的维度，对极高维原始数据可能需要更大的经典层。
• 任务范围： 实验聚焦于图像分类；将该方法扩展到序列或图结构数据仍是未解之题。
• 理论保证： 论文提供了隐私鲁棒性的实证证据，但缺乏差分隐私或信息论界限的正式证明。

未来研究方向包括：(1) 在残差旁路下形式化隐私保证，(2) 探索自适应残差加权机制，(3) 在更大规模、真实的联邦部署（如智慧城市传感网络）上测试该架构。

作者

• Guilin Zhang
• Wulan Guo
• Ziqi Tan
• Hongyang He
• Hailong Jiang

论文信息

• arXiv ID: 2511.20922v1
• 分类: cs.CR, cs.DC, cs.LG
• 发布日期: 2025 年 11 月 25 日
• PDF: Download PDF