量子聯邦學習（QFL）作為一種新興的分佈式學習範式，允許多個客户端在不共享本地數據的情況下協同訓練量子神經網絡。這一特性使其在隱私敏感的智能服務領域，如金融欺詐檢測和基因組分類，展現出巨大潛力。在這些應用中，不僅聚合模型的準確性至關重要，客户端級別的學習可靠性和公平性同樣不可或缺。然而，實際部署中常面臨兩大挑戰：客户端數據的異構性（即非獨立同分布數據）以及量子優化固有的噪聲，這些因素容易導致局部更新不穩定、客户端漂移，以及不同客户端之間性能的顯著不公平。
為了解決上述問題，來自的研究團隊提出了DUQFL-Prox（Drift Stable Quantum Federated Learning based on Deep-Unfolded Local Optimization）框架。該框架的核心創新在於：每個客户端不再使用固定的局部優化器，而是執行自適應的深度展開SPSA（Simultaneous Perturbation Stochastic Approximation）更新。SPSA是一種適用於量子優化的梯度近似方法，而深度展開則通過可學習的迭代步驟來優化更新過程。此外，框架引入了一個近端項（proximal term），用於約束局部模型向全局模型靠攏，從而有效緩解客户端漂移。
DUQFL-Prox還包含一個輕量級控制器，該控制器能夠學習每步迭代特定的優化參數，例如學習率和步長，以進一步提升聚合後模型的性能。實驗部分在金融欺詐檢測和基因組分類兩個實際任務上進行了驗證。結果表明，與標準的量子聯邦學習基線相比，DUQFL-Prox在訓練穩定性、模型泛化能力和客户端公平性方面均取得了顯著提升。這一研究成果表明，深度展開技術與量子聯邦學習的結合，能夠在異構分佈式環境中支持更加可靠和公平的智能服務，為未來隱私保護型人工智能應用開闢了新的途徑。