ترجمه فارسی مقاله یادگیری فدرال با محاسبات کوانتومی و رمزگذاری کاملاً همرفومورفیک: تغییر پارادایم محاسباتی جدید در حریم خصوصی ML

چکیده

The widespread deployment of products powered by machine learning models is raising concerns around data privacy and information security worldwide. To address this issue, Federated Learning was first proposed as a privacy-preserving alternative to conventional methods that allow multiple learning clients to share model knowledge without disclosing private data. A complementary approach known as Fully Homomorphic Encryption (FHE) is a quantum-safe cryptographic system that enables operations to be performed on encrypted weights. However, implementing mechanisms such as these in practice often comes with significant computational overhead and can expose potential security threats. Novel computing paradigms, such as analog, quantum, and specialized digital hardware, present opportunities for implementing privacy-preserving machine learning systems while enhancing security and mitigating performance loss. This work instantiates these ideas by applying the FHE scheme to a Federated Learning Neural Network architecture that integrates both classical and quantum layers.

چکیده به فارسی (ترجمه ماشینی)

استقرار گسترده محصولاتی که از مدل های یادگیری ماشین استفاده می شود ، نگرانی های مربوط به حریم خصوصی داده ها و امنیت اطلاعات را در سراسر جهان ایجاد می کند.برای پرداختن به این موضوع ، یادگیری فدرال برای اولین بار به عنوان یک جایگزین حفظ حریم خصوصی برای روشهای معمولی ارائه شد که به چندین مشتری یادگیری اجازه می دهد دانش مدل را بدون افشای داده های خصوصی به اشتراک بگذارند.یک رویکرد تکمیلی که به عنوان رمزگذاری کاملاً همرفومورفیک (FHE) شناخته می شود ، یک سیستم رمزنگاری ایمن کوانتومی است که باعث می شود عملیات بر روی وزنهای رمزگذاری شده انجام شود.با این حال ، مکانیسم های اجرای مانند این در عمل اغلب با سربار محاسباتی قابل توجهی همراه هستند و می توانند تهدیدات امنیتی بالقوه را در معرض دید خود قرار دهند.پارادایم های محاسباتی جدید ، مانند سخت افزار دیجیتال آنالوگ ، کوانتومی و تخصصی ، فرصت هایی را برای اجرای سیستم های یادگیری ماشین حفظ حریم خصوصی در عین حال افزایش امنیت و کاهش از دست دادن عملکرد ارائه می دهند.این کار با استفاده از طرح FHE در یک معماری شبکه عصبی یادگیری فدرال که هم لایه های کلاسیک و کوانتومی را ادغام می کند ، این ایده ها را فوری می کند.