融合张量网络前端与量子增强处理的隐私保护联邦医学诊断架构深度解析
本文深度剖析了一种结合张量网络（MPS/TTN/MERA）、MPC安全聚合与量子增强处理器（QEP）的隐私保护联邦学习框架，探讨其在处理高维医学影像时的压缩效率与量子增益。
量子机器学习
融合张量网络前端与多方计算的量子增强隐私保护联邦医学诊断架构深度解析
本文深度解析了一种创新的混合架构，该架构利用张量网络进行客户端特征压缩，结合MPC安全聚合与量子增强处理器，有效解决了联邦学习中高维数据通信开销与量子处理瓶颈。实验证明TTN+QEP组合在肺炎诊断任务中表现卓越。
量子度量学习的“黑盒”审计：一种高效且实用的验证协议深度解析
本文深度解析了一种针对量子度量学习模型的黑盒验证协议，探讨如何利用互补无偏基（MUBs）在不了解模型内部结构的情况下验证量子嵌入的类别分离度。
突破显存瓶颈：基于 Triton 门融合的量子机器学习高效经典仿真深度解析
本文深度解析了 Yoshiaki Kawase 提出的门融合技术，该技术通过优化 Triton 核函数，在 GPU 上实现了 QML 训练 20-30 倍的吞吐量提升，为深层量子线路的大规模模拟提供了可能。
使用并行量子嵌入神经网络识别量子生成电路：面向量子AI版权保护的新范式
本文深入探讨了ParaQuanNet，一种新颖的并行量子嵌入神经网络，如何通过高效的量子数据分类来识别量子生成电路，为量子人工智能的版权保护和防伪追踪开辟了新的途径。
结构化幺正张量网络表示：突破高维经典数据量子编码的深度瓶颈
本文深度解析 TNQE 框架，一种利用张量网络分解（尤其是 QTT）将高维经典数据转换为超浅层量子线路的方法，在 256x256 高清图像编码中实现了 0.04 倍于振幅编码的深度。