量子机器学习（QML）正日益被视为量子计算最有希望的近期应用方向之一，被看作继纯经典方法之后的下一个前沿。混合量子—经典模型把这一潜力落到实处：在一个其余组件均保持经典的模型中嵌入一个参数化量子电路。这类设计已被用于化学模拟、金融建模和图像分类等任务。
然而，当这类模型要部署到隐私敏感的多方场景中时，会面临两重限制。其一是必须避免把原始数据集中到同一处；其二，现代量子电路必须保持参数高效，才能在大规模下依然可训练。
针对这些约束，论文《Federating Quantum and Classical Computing: A Privacy-Preserving Hybrid Approach》评估了联邦学习（FL）方案：把混合量子—经典模型作为主动方，与一个经典被动方结合。该工作采用 Sherpa.ai 的盲式纵向联邦学习（SBVFL）协议，一方面避免原始数据集中化，另一方面大幅削减通信开销。论文于 2026 年 9 月 18 日提交至 arXiv，编号 arXiv:2609.25082，由 Carlos Cano 等共七位作者完成。
为进行评测，作者遵循量子机器学习的常见设计惯例，构建了一个名为 split multiplicative periodic parity（SMPP，分裂乘性周期奇偶）的基准任务。仿真结果显示，与本地训练相比，SBVFL 将准确率从 0.7227 提升到 0.8757，已经非常接近非隐私保护的集中式训练水平。
在达到该准确率的同时，混合量子—经典模型所需的可训练参数量明显少于作为对照的经典神经网络和随机森林方法，体现出参数效率方面的优势。作者据此认为，联邦学习能够让原始数据不离开本地，就实现高性能且保护隐私的量子—经典协同。
论文被归入 cs.LG（机器学习）、cs.AI（人工智能）与 cs.DC（分布式、并行与集群计算）三个分类，DOI 为 10.48550/arXiv.2609.25082。需要说明的是，上述结论来自仿真实验，而非真实量子硬件上的部署结果。