양자 연합 학습(QFL)은 양자 컴퓨팅과 연합 학습(FL)을 결합하여 양자 네트워크를 통해 분산 모델 학습을 가능하게 하면서 데이터 프라이버시를 유지하는 새로운 패러다임입니다. 하지만 현대 양자 장치는 하드웨어 품질의 차이와 양자 디코히어런스에 대한 민감도로 인해 이질적인 노이즈 수준을 경험하기 때문에 양자 노이즈는 QFL의 상당한 장벽으로 남아 있으며, 이는 부적절한 학습 성능으로 이어집니다. 본 논문에서는 이 문제를 해결하기 위해 분산 양자 시스템에서 양자 노이즈 이질성을 완화하기 위해 산발적 학습을 활용하는 새로운 QFL 프레임워크인 SpoQFL을 제안합니다. SpoQFL은 노이즈 변동에 따라 학습 전략을 동적으로 조정하여 모델 강건성, 수렴 안정성 및 전반적인 학습 효율을 향상시킵니다. 실제 데이터 세트에 대한 광범위한 실험을 통해 SpoQFL이 기존 QFL 접근 방식보다 훨씬 우수한 학습 성능과 더 안정적인 수렴을 달성하여 성능을 크게 능가한다는 것을 보여줍니다.
