量子聯邦學習（QFL）作為一種新興的分散式學習正規化，允許多個客戶端在不共享本地資料的情況下協同訓練量子神經網路。這一特性使其在隱私敏感的智慧服務領域，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，客戶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：客戶端資料的異構性（即非獨立同分布資料）以及量子最佳化固有的噪聲，這些因素容易導致區域性更新不穩定、客戶端漂移，以及不同客戶端之間效能的顯著不公平。
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：每個客戶端不再使用固定的區域性最佳化器，而是執行自適應的深度展開SPSA（Simultaneous Perturbation Stochastic Approximation）更新。SPSA是一種適用於量子最佳化的梯度近似方法，而深度展開則透過可學習的迭代步驟來最佳化更新過程。此外，框架引入了一個近端項（proximal term），用於約束區域性模型向全域性模型靠攏，從而有效緩解客戶端漂移。
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最佳化引數，例如學習率和步長，以進一步提升聚合後模型的效能。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、模型泛化能力和客戶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，能夠在異構分散式環境中支援更加可靠和公平的智慧服務，為未來隱私保護型人工智慧應用開闢了新的途徑。