[논문 리뷰] Guaranteeing Privacy in Hybrid Quantum Learning through Theoretical Mechanisms

Hoang M. Ngo, Tre’ R. Jeter외 4명|arXiv (Cornell University)|2026. 02. 02.

Quantum Computing Algorithms and Architecture인용 수 0

한 줄 요약

논문은 HYPER-Q를 제안하며, 고전적 노이즈와 양자 노이즈를 결합해 양자 신경망에서 차등 프라이버시를 증폭하는 하이브리드 프라이버시 보호 메커니즘으로 이론적 보장과 실험적 적대적 강건성 향상을 보여준다.

ABSTRACT

Quantum Machine Learning (QML) is becoming increasingly prevalent due to its potential to enhance classical machine learning (ML) tasks, such as classification. Although quantum noise is often viewed as a major challenge in quantum computing, it also offers a unique opportunity to enhance privacy. In particular, intrinsic quantum noise provides a natural stochastic resource that, when rigorously analyzed within the differential privacy (DP) framework and composed with classical mechanisms, can satisfy formal $(\varepsilon, δ)$-DP guarantees. This enables a reduction in the required classical perturbation without compromising the privacy budget, potentially improving model utility. However, the integration of classical and quantum noise for privacy preservation remains unexplored. In this work, we propose a hybrid noise-added mechanism, HYPER-Q, that combines classical and quantum noise to protect the privacy of QML models. We provide a comprehensive analysis of its privacy guarantees and establish theoretical bounds on its utility. Empirically, we demonstrate that HYPER-Q outperforms existing classical noise-based mechanisms in terms of adversarial robustness across multiple real-world datasets.

연구 동기 및 목표

• 하이브리드 고전-양자 머신러닝 모델에 대한 프라이버시 보장을 동기 부여한다.
• 프라이버시를 증폭하기 위해 고전 DP와 양자 노이즈를 조합하는 메커니즘을 개발한다.
• Depolarizing 및 기타 양자 노이즈 채널 하에서 제안된 하이브리드 메커니즘에 대한 엄격한 DP 경계를 제공한다.
• 고정된 프라이버시 예산에서 유용성 트레이드오프와 강건성 이점을 정량화한다.
• 여러 데이터셋에 걸쳐 고전적 DP 기준선과 대조하여 적대적 강건성을 실험적으로 검증한다.

제안 방법

• 하이브리드 메커니즘 HYPER-Q를 Q^(η) ∘ A의 구성으로 정의하는데, A는 고전적 DP 메커니즘이고 Q^(η)는 depolarizing 채널로된 양자 후처리 연산이다.
• depolarizing 노이즈에 대한 프라이버시 보장을 분석하고, 두 가지 주요 분석(고정 ε로 δ를 증폭, 그리고 구조화된 δ로 ε를 증폭)에서 ε′와 δ′를 도출한다.
• 특정 조건에서 δ′ ≤ δ이고 ε′ ≤ ε임을 보이고, 프라이버시 이득을 극대화하는 POVM 구성을 식별한다.
• 일반화 된 진폭 소멸(GAD) 및 일반화된 디페이징(GD) 채널로 분석을 확장하여 증폭 결과를 일반화한다.
• 고전적 잡음 분산 σ와 depolarizing 계수 η를 성능 손실과 연결하는 형식적 유틸리티 경계(Theorem 4.10)를 도출한다.
• MNIST, Fashion-MNIST, USPS에 대해 HYPER-Q를 고전적 DP 기준선과 비교하는 실험 평가를 제공한다.

실험 결과

연구 질문

• RQ1 고전적 및 양자 노이즈를 어떻게 조합하여 하이브리드 QML 모델에서 엔드 투 엔드 차등 프라이버시를 제공할 수 있는가?
• RQ2 Depolarizing 및 기타 양자 노이즈 채널 하에서 하이브리드 메커니즘의 증폭된 DP 매개변수 ε′, δ′는 무엇인가?
• RQ3 고정된 프라이버시 예산에서 하이브리드 노이즈가 모델 유용성에 미치는 영향은 어떻게 되는가?
• RQ4 HYPER-Q가 실제 데이터셋에서 고전적 DP 메커니즘을 넘어 적대적 강건성을 개선할 수 있는가?
• RQ5 POVM 선택이 양자 후처리 단계에서 프라이버시 증폭에 어떤 영향을 미치는가?

주요 결과

• 구성된 메커니즘 Q^(η) ∘ A는 depolarizing 노이즈에서 ε′ = ε이고 δ′ < δ를 만족하여 실패 확률을 개선한다.
• 특정 조건에서 ε′ 와 δ′ 모두 증폭되어 하이브리드 설정에서 더 촘촘한 프라이버시 보장을 얻을 수 있다.
• 최적의 POVM(동등한 트레이스 원소)은 δ′를 최소화하고 프라이버시 이득을 향상시킨다.
• GAD 및 GD에 대한 확장도 채널별 δ′ 수축으로 유사한 프라이버시 증폭을 보인다.
• 유효성은 고전적 노이즈 σ와 depolarizing η의 높은 확률의 트레이드오프에 의해 유도된다(Theorem 4.10).
• 실험적으로 HYPER-Q는 MNIST, Fashion-MNIST, USPS에서 고정 엔드-투-엔드 프라이버시 예산 하에 고전적 DP 기준선보다 더 큰 적대적 강건성을 달성한다.