フェデレーテッドラーニング（FL）は、プライバシーを保ちながら効率的に機械学習モデルを訓練する手法ですが、クライアントのデータが集約モデルに反映される回数が増えるにつれて、機密データが露出するリスクが高まります。特に、メンバーシップ推定攻撃や属性推定攻撃、モデル反転攻撃の脅威があります。本論文では、量子コンピューティングに触発された二次非制約バイナリ最適化（QUBO）を用いて、クライアントごとのデータ露出を著しく削減する方法を提案します。この方法では、各訓練ラウンドごとに最も関連性の高い少数のクライアントの更新を選択します。実験では、300クライアントを用いたMNISTデータセットで、プライバシー露出を95.2%減少させる成果が得られました。この手法は、サーバーの信頼性を前提としており、実験結果は広範なデータ分布のバリデーションセットを用いています。