SHADE：基于经典阴影的量子联邦遗忘方法

Zihao Ding、Jun Huang、Cong-cong Xing 在 arXiv 论文《Federated Unlearning of Quantum Data via Classical Shadows》中提出 SHADE（Shadow-based Data Erasure），用于量子数据的联邦遗忘。每个节点在训练时对训练态做少量随机单比特测量，记录经典阴影，用它估计量子神经网络在待遗忘数据上的梯度与曲率，并通过联邦牛顿修正完成遗忘；网络中只传经典估计，无需重放量子态。 作者声称（模拟结果）：在 50 节点模拟和边缘板上，SHADE 的遗忘精度与重新训练相差不超过 0.5 个百分点，耗时低于 0.2 秒。理论上他们证明，达到目标遗忘误差所需的阴影规模随被测观测量反向光锥的大小指数增长，而非随比特数增长。以上为论文声称结果，尚无独立验证。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。