量子機械学習（QML）は、量子コンピューティングの近未来的な応用先として最も有望なものの一つと見なされており、純粋に古典的な手法の次のフロンティア候補と位置づけられている。ハイブリッド量子・古典モデルは、パラメータ化された量子回路を、それ以外の構成要素がすべて古典的なモデルに埋め込むことで、この可能性を具体化する。こうした設計はすでに化学シミュレーション、金融モデリング、画像分類などに応用されている。
しかし、プライバシーに敏感なマルチパーティ環境への展開には制約がある。生データを一箇所に集約しないことが求められるうえ、現代の量子回路は大規模でも学習可能であり続けるためにパラメータ効率を保たなければならない。
本論文「Federating Quantum and Classical Computing: A Privacy-Preserving Hybrid Approach」はこうした制約に対処するため、連合学習（FL）を評価する。ハイブリッド量子・古典モデルを能動側（active party）とし、古典的な受動側（passive party）と組み合わせる構成をとり、Sherpa.ai の Blind Vertical FL（SBVFL）プロトコルを用いることで、生データの集約を避けつつ通信量を大幅に削減する。論文は 2026 年 9 月 18 日に arXiv に投稿され、番号は arXiv:2609.25082、Carlos Cano 氏ら 7 名による共著である。
評価のために著者らは、QML の一般的な設計慣行に従い、split multiplicative periodic parity（SMPP）と呼ぶベンチマークを構築した。シミュレーションの結果、SBVFL はローカル学習と比較して精度を 0.7227 から 0.8757 へと引き上げ、プライバシー保護なしの集中学習に近い水準に達した。
さらに、この精度を達成するのに必要な学習可能パラメータ数は、比較対象である古典的ニューラルネットワークやランダムフォレストよりも大幅に少ない。著者らは、FL によって生データを集約することなく、高性能かつプライバシー保護型の量子・古典協調が実現できると結論づけている。
論文の分類は cs.LG（機械学習）、cs.AI（人工知能）、cs.DC（分散・並列・クラスタコンピューティング）で、DOI は 10.48550/arXiv.2609.25082。なお、これらの結果はシミュレーションによるものであり、実機の量子ハードウェア上での検証ではない点には留意が必要である。