Private and interpretable clinical prediction with quantum-inspired tensor train models
Dieses Paper schlägt eine quanteninspirierte Tensor-Train-Abwehr vor, die Modellparameter verschleiert, um in klinischen Umgebungen effektiv gegen Privacy-Angriffe vorzugehen und gleichzeitig die Vorhersagegenauigkeit sowie die Interpretierbarkeit von sowohl logistischen Regressions- als auch neuronalen Netzwerkmodellen zu bewahren.