量子連合学習（QFL）は、分散クライアントがローカルデータを共有せずに量子ニューラルネットワークを訓練できるようにする新しい分散学習パラダイムであり、プライバシーに敏感なインテリジェントサービス、例えば金融詐欺検出やゲノム分類において大きな可能性を秘めている。これらのアプリケーションでは、集約モデルの精度だけでなく、クライアントレベルの学習の信頼性と公平性も同様に重要である。しかし、実際の展開では、クライアントデータの不均一性（非IIDデータ）と量子最適化に固有のノイズという2つの大きな課題に直面する。これらの要因は、局所更新の不安定性、クライアントドリフト、およびクライアント間の性能の著しい不公平を引き起こすことが多い。
これらの問題に対処するため、研究チームはDUQFL-Prox（Deep-Unfolded Local Optimizationに基づくドリフト安定量子連合学習）フレームワークを提案した。このフレームワークの核心は、各クライアントが固定の局所最適化器を使用する代わりに、適応的な深層展開SPSA（Simultaneous Perturbation Stochastic Approximation）更新を実行することにある。SPSAは量子最適化に適した勾配近似法であり、深層展開は学習可能な反復ステップを通じて更新プロセスを最適化する。さらに、フレームワークは近接項を導入し、局所モデルを大域モデルに近づけることでクライアントドリフトを効果的に緩和する。
DUQFL-Proxには、各反復ステップに固有の最適化パラメータ（学習率やステップサイズなど）を学習する軽量コントローラも含まれており、集約後の性能をさらに向上させる。実験は、金融詐欺検出とゲノム分類の2つの実タスクで実施された。結果は、標準的な量子連合学習ベースラインと比較して、DUQFL-Proxが訓練の安定性、モデルの汎化能力、およびクライアント間の公平性を大幅に向上させることを示している。この研究成果は、深層展開技術と量子連合学習の組み合わせが、不均一な分散環境下でより信頼性が高く公平なインテリジェントサービスをサポートできることを示唆しており、将来のプライバシー保護人工知能アプリケーションに新たな道を開くものである。