क्वांटम फ़ेडरेटेड लर्निंग (QFL) एक नवीन प्रतिमान है जो क्वांटम कंप्यूटिंग और फ़ेडरेटेड लर्निंग (FL) को मिलाकर डेटा गोपनीयता बनाए रखते हुए क्वांटम नेटवर्क पर वितरित मॉडल लर्निंग को सक्षम बनाता है। हालाँकि, क्वांटम नॉइज़ QFL के लिए एक महत्वपूर्ण बाधा बना हुआ है, क्योंकि आधुनिक क्वांटम उपकरण हार्डवेयर गुणवत्ता और क्वांटम डिकोहेरेंस के प्रति संवेदनशीलता में अंतर के कारण विषम नॉइज़ स्तरों का अनुभव करते हैं, जिससे लर्निंग प्रदर्शन अपर्याप्त होता है। इस पत्र में, हम SpoQFL का प्रस्ताव करते हैं, जो एक नवीन QFL ढाँचा है जो इस समस्या के समाधान हेतु वितरित क्वांटम प्रणालियों में क्वांटम नॉइज़ विषमता को कम करने हेतु छिटपुट लर्निंग का लाभ उठाता है। SpoQFL नॉइज़ में उतार-चढ़ाव के अनुसार लर्निंग रणनीतियों को गतिशील रूप से समायोजित करता है, जिससे मॉडल की मजबूती, अभिसरण स्थिरता और समग्र लर्निंग दक्षता में सुधार होता है। वास्तविक दुनिया के डेटासेट पर व्यापक प्रयोगों के माध्यम से, हम प्रदर्शित करते हैं कि SpoQFL बेहतर लर्निंग प्रदर्शन और अधिक स्थिर अभिसरण प्राप्त करके मौजूदा QFL दृष्टिकोणों से काफी बेहतर प्रदर्शन करता है।