一种基于量子迁移学习的联邦学习方法

本发明公开了一种基于量子迁移学习的联邦学习方法，涉及量子计算与联邦学习的交叉技术领域，该方法旨在解决传统联邦学习在非独立同分布数据下的性能瓶颈问题，其包括：在联邦学习框架下，各客户端的本地模型融合一个经典卷积层和一个量子卷积层；本地训练时，首先由经典卷积层提取经典特征，随后将该经典特征编码并输入量子卷积层以生成量子特征；将两种特征拼接后进行分类，并上传模型参数。服务器端采用FedAvg算法聚合参数以更新全局模型。本发明引入迁移学习机制优化量子层初始化，实验结果表明，该方法在non‑IID图像数据集上，其分类性能和鲁棒性均显著优于传统联邦CNN模型，尤其适用于隐私保护协同计算场景。