量子機械学習（QML）は、従来のAIでは解決が難しい計算問題に対処するための有望なパラダイムです。しかし、量子力学の内在的な確率的挙動、NISQハードウェアのデバイスノイズ、量子・古典のハイブリッド実行パイプラインには新たなリスクがあり、信頼性のあるQMLの実世界での導入を妨げています。この研究では、信頼性ある量子機械学習（TQML）に向けた広範なロードマップが提案され、リスクのある意思決定をサポートする不確実性の定量化、古典および量子特有の脅威モデルに対する敵対的堅牢性、分散型と委任型の量子学習シナリオにおけるプライバシーの保護という三つの基盤から構成されています。また、量子情報理論に基づいた信頼性指標が正式に定義され、現在のNISQデバイスにおける実現可能性も検証されています。これにより、量子AIの設計目標として信頼性が一級の重要性を持つことが強調されています。