arXiv cs.AI· Md Khalid Syfullah, Alvi Ataur Khalil·· 12 小时前AI 评分22
面向临床与可穿戴健康数据的单位感知差分隐私量子机器学习
Unit-Aware Differentially Private Quantum Machine Learning for Clinical and Wearable Health Data
AI 导读
研究在匹配输入维度和隐私预算下，量子模型是否比经典模型保留更多效用：在三个临床队列和一个可穿戴队列上对比容量匹配的量子模型、多层感知机与逻辑回归，量子模型在三个临床队列上平均 ROC AUC 最高领先 0.104，但在参与者较少的可穿戴队列上落后，24 项检验经 Holm 校正后均无显著差异。
正文 · AI 翻译
摘要：临床登记数据与可穿戴传感器有助于早期健康风险评估，然而基于这些记录训练的模型在发布时可能泄露敏感信息。差分隐私（DP）通过注入噪声来限制这种泄露，而噪声的总量随可训练参数数量的增加而增大，这一代价在小型健康队列中尤为严重。这促使人们关注参数高效模型，包括量子机器学习（QML），其变分电路能够以少量可训练参数表示复杂的决策边界。这引出了一个问题：在输入维度和隐私预算相匹配的情况下，量子模型是否比经典模型保留更多效用？我们在三个临床队列和一个可穿戴队列上研究这一问题，将每条临床记录或每位参与者视为一个隐私单元。我们在五种隐私预算和五个随机种子下比较了容量匹配的量子模型、多层感知机和逻辑回归模型。量子模型在三个临床队列上领先，跨预算平均的 ROC AUC 最高提升 0.104；但在可穿戴队列上落后，因为该队列参与者数量少，需要注入大量噪声。在 24 项检验中，经 Holm 校正后没有差异仍然显著，因此这些结果仅表明一种趋势，而非量子优势。解析梯度界表明，尽管存在裁剪偏差，较低的裁剪阈值仍可通过减少噪声来提升效用。最后，在 IBM 量子计算机（ibm_fez，一台 156 量子比特的超导处理器）上使用八个固定测试用例进行的实验显示，相对于模拟，平均绝对概率误差为 0.046（隐私）和 0.063（非隐私），支持在含噪中等规模量子（NISQ）硬件上进行推理的可行性。代码公开于 此 https URL。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI）；神经与进化计算（cs.NE） |
| 引用为： | arXiv:2610.28968 [cs.LG] |
| （或 arXiv:2610.28968v1 [cs.LG] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.28968 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Md Khalid Syfullah [查看邮箱]
[v1]
2026年10月20日星期二 22:38:13 UTC（347 KB）
来源：arXiv cs.AI · arxiv.org