데이터 프라이버시를 지키는 하이브리드 양자-고전 연합 학습 연구
Federating Quantum and Classical Computing: A Privacy-Preserving Hybrid Approach
arXiv양자 기계 학습(QML)의 잠재력을 활용하면서도 데이터 프라이버시를 지키는 하이브리드 연합 학습(FL) 방식을 제안합니다.
- 특히 SBVFL 프로토콜을 사용했을 때, 중앙화된 방식에 근접한 높은 정확도를 유지하면서도 낮은 파라미터로 구현 가능함을 입증했습니다.
- 이는 데이터 공유가 민감한 의료, 금융 등 다양한 산업 분야에서 양자 기술을 안전하게 적용할 수 있는 중요한 기반을 마련합니다.
- 다만, 본 연구 결과는 특정 벤치마크에 국한되므로, 광범위한 산업 환경에 적용하려면 추가적인 실증 및 최적화 과정이 요구됩니다.
양자 기계 학습(QML)은 순수 고전적 접근 방식을 넘어선 유망한 분야로 인식되고 있으며, 이를 활용하기 위해 하이브리드 양자-고전 모델이 사용됩니다. 이러한 모델은 이미 화학 시뮬레이션이나 이미지 분류 등에 적용되었으나, 데이터 프라이버시가 중요한 다자간 환경에서 배포될 때는 원본 데이터를 중앙 집중화하지 않아야 하고, 대규모 학습을 위해 현대 양자 회로의 효율성을 유지해야 하는 제약이 존재합니다.
본 연구는 이러한 제약을 해결하기 위해 연합 학습(FL)을 평가하여 하이브리드 양자-고전 능동 당사자와 고전적 수동 당사자를 결합하는 방안을 제시했습니다. 특히 Blind Vertical FL (SBVFL) 프로토콜을 사용하여 원본 데이터의 중앙 집중화를 피하고 통신량을 크게 줄이는 것이 핵심입니다. 연구진은 일반적인 QML 설계 관행에 따라 split multiplicative periodic parity (SMPP) 를 구축하여 테스트를 진행했습니다.
시뮬레이션 결과, SBVFL을 적용했을 때의 정확도는 로컬 학습 대비 0.7227에서 0.8757로 향상되었으며, 이는 비(非)개인 정보화된 중앙 집중식 정확도에 근접한 수치입니다. 또한 이 하이브리드 양자-고전 모델은 고전 신경망이나 랜덤 포레스트 대안들보다 훨씬 적은 학습 가능한 파라미터로 이러한 성능을 달성했습니다. 이는 FL이 원본 데이터 없이 높은 성능의 프라이버시 보호 협업을 가능하게 함을 보여줍니다.
용어 풀이
- 파라미터
- 모델이 학습하면서 조정한 내부 숫자. 개수가 많을수록 대체로 모델이 크고 무거워요.
- 벤치마크
- 모델 성능을 같은 조건에서 비교하려고 만든 시험 문제 모음.