量子模型黑盒审计：基于量子金丝雀的提升差分隐私
Black-Box Auditing of Quantum Model: Lifted Differential Privacy with Quantum Canaries
AI 导读
研究者提出首个量子机器学习（QML）黑盒隐私审计框架，基于提升量子差分隐私、用量子金丝雀（偏移编码量子态）检测训练中的记忆并量化隐私泄露。框架建立金丝雀偏移与迹距离界的数学联系，推导出隐私预算消耗的经验下界，弥合理论保证与实际验证的差距。在模拟与物理量子硬件上的评估验证了该框架测量 QML 模型实际隐私损失的效果。