Abstract
Quantum Machine Learning (QML) oferece vantagens no processamento de dados complexos, mas sua execução em servidores quânticos remotos levanta preocupações de privacidade. Blind Quantum Computing (BQC) busca resolver esse problema ao ocultar dados e circuitos do servidor, embora exija maior consumo de pares EPR na rede quântica. Este trabalho simula uma rede quântica federada com múltiplos clientes treinando modelos QML usando os protocolos BFK e CHILDS, avaliando o impacto na qualidade do aprendizado e no consumo de recursos.

This publication has 5 references indexed in Scilit: