量子機器學習（QML）正日益被視為量子計算最有希望的近期應用方向之一，被看作繼純經典方法之後的下一個前沿。混合量子—經典模型把這一潛力落到實處：在一個其餘組件均保持經典的模型中嵌入一個參數化量子電路。這類設計已被用於化學模擬、金融建模和圖像分類等任務。
然而，當這類模型要部署到隱私敏感的多方場景中時，會面臨兩重限制。其一是必須避免把原始數據集中到同一處；其二，現代量子電路必須保持參數高效，才能在大規模下依然可訓練。
針對這些約束，論文《Federating Quantum and Classical Computing: A Privacy-Preserving Hybrid Approach》評估了聯邦學習（FL）方案：把混合量子—經典模型作為主動方，與一個經典被動方結合。該工作採用 Sherpa.ai 的盲式縱向聯邦學習（SBVFL）協議，一方面避免原始數據集中化，另一方面大幅削減通信開銷。論文於 2026 年 9 月 18 日提交至 arXiv，編號 arXiv:2609.25082，由 Carlos Cano 等共七位作者完成。
為進行評測，作者遵循量子機器學習的常見設計慣例，構建了一個名為 split multiplicative periodic parity（SMPP，分裂乘性週期奇偶）的基準任務。仿真結果顯示，與本地訓練相比，SBVFL 將準確率從 0.7227 提升到 0.8757，已經非常接近非隱私保護的集中式訓練水平。
在達到該準確率的同時，混合量子—經典模型所需的可訓練參數量明顯少於作為對照的經典神經網絡和隨機森林方法，體現出參數效率方面的優勢。作者據此認為，聯邦學習能夠讓原始數據不離開本地，就實現高性能且保護隱私的量子—經典協同。
論文被歸入 cs.LG（機器學習）、cs.AI（人工智能）與 cs.DC（分佈式、並行與集羣計算）三個分類，DOI 為 10.48550/arXiv.2609.25082。需要説明的是，上述結論來自仿真實驗，而非真實量子硬件上的部署結果。