Q-DPTS：通过变分量子电路实现量子差分隐私时间序列预测

摘要

时间序列预测在金融和能源系统等数据敏感性极高的领域至关重要。虽然差分隐私（DP）通过理论保证保护个体数据贡献，但其集成（尤其是通过DP-SGD）常因注入噪声而损害模型性能。本文提出Q-DPTS，一种用于量子差分隐私时间序列预测的混合量子-经典框架。Q-DPTS将变分量子电路（VQCs）与逐样本梯度裁剪和高斯噪声注入相结合，确保严格的(ε,δ)-差分隐私。量子模型的表达能力提高了对DP机制引起的效用损失的鲁棒性。我们在ETT（电力变压器温度）数据集上评估Q-DPTS，这是长期时间序列预测的标准基准。我们的方法与经典和量子基线（包括LSTM、QASA、QRWKV和QLSTM）进行比较。结果表明，在相同隐私预算下，Q-DPTS始终实现更低的预测误差，表明隐私-效用权衡更优。这项工作首次探索量子增强的差分隐私预测，为隐私关键场景中的安全准确时间序列建模提供了有前景的方向。

主题分类

量子物理（quant-ph）
密码学与安全（cs.CR）
机器学习（cs.LG）
信号处理（eess.SP）

引用信息

arXiv:2508.05036 [quant-ph]
DOI: https://doi.org/10.48550/arXiv.2508.05036

提交历史

提交日期：2025年8月7日
版本：v1
作者：Chi-Sheng Chen, Samuel Yen-Chi Chen

全文链接

实验与演示

Replicate
Hugging Face Spaces
TXYZ.AI

致谢

感谢Simons基金会、成员机构和所有贡献者的支持。

量子差分隐私时间序列预测：基于变分量子电路的新框架

本文提出Q-DPTS框架，结合变分量子电路与差分隐私机制，在ETT数据集上实现隐私保护的时间序列预测。相比经典方法，在相同隐私预算下显著降低预测误差，为隐私敏感场景提供量子增强解决方案。