Hybrid Quantum-inspired Kolmogorov-Arnold Networks for Privacy-Aware Federated Biosignal Learning

Stellen Sie sich eine Welt vor, in der das geheime Tagebuch Ihres Herzens – der elektrische Rhythmus, der in Ihrer Brust schlägt – in einem Tresor in Ihrem örtlichen Krankenhaus, einem weiteren Tresor bei einem Wearable-Uhrenhersteller und einem weiteren in einer Forschungsklinik eingeschlossen ist. Diese Tagebücher sind zu kostbar und privat, um sie in eine einzige riesige zentrale Bibliothek kopieren und einfügen zu können, da dies das Risiko bergen würde, Ihre persönlichen Gesundheitsgeheimnisse preiszugeben. Dies ist das Problem des Föderierten Lernens (Federated Learning): Eine kluge Art und Weise, wie Computer gemeinsam lernen können, ohne jemals die privaten Daten der anderen zu sehen. Anstatt die rohen Herzschläge zu senden, schicken die Computer nur die „gelernten Lektionen“ (mathematische Aktualisierungen) hin und her.

Es gibt jedoch einen Haken. Das Versenden dieser Lektionen kostet Zeit und Bandbreite, so als würde man versuchen, ein schweres Lexikon durch einen kleinen Umschlag zu verschicken. Zudem sind die Daten unordentlich; einige Clients verfügen über tausende Herzschläge, während andere nur wenige haben, und manche Herzzustände sind seltene „Nadel im Heuhaufen“-Ereignisse. Um dies zu lösen, erforschen Wissenschaftler quanteninspirierte Modelle. Diese laufen nicht auf echten Quantencomputern (die noch sehr experimentell und fehleranfällig sind), aber sie leihen sich die mathematischen Tricks der Quantenphysik, um Modelle zu bauen, die unglaublich klein und effizient sind. Man kann es sich so vorstellen, als würde man den Bauplan eines superleichtgewichtigen Raumschiffs nutzen, um ein Fahrrad zu bauen, das dennoch fliegen kann. Die große Frage ist: Können diese winzigen, quanteninspirierten Fahrräder die schwere Last des Lernens aus privaten Herzdaten besser tragen als die Standard-Laster, die wir normalerweise verwenden?

---

Das Herz der Sache: Ein Rennen zwischen einem schweren Laster und einem Quanten-Fahrrad

In dieser Studie haben die Forscher ein hochkarätiges Rennen veranstaltet, um zu sehen, ob ein neuer Typ von KI-Modell, genannt Hybrid Quantum-inspired Kolmogorov–Arnold Network (HQKAN), den Standard-Arbeitstier-Modell, ein Multilayer Perceptron (MLP), bei der Aufgabe des Erkennens von Herzrhythmusstörungen (unregelmäßigen Herzschlägen) besiegen kann.

Das Rennen fand in einer „föderierten“ Arena statt, was bedeutet, dass die Modelle von Daten lernen mussten, die über verschiedene „Clients“ (simulierte Krankenhäuser oder Geräte) verteilt blieben, ohne dass die Rohdaten jemals bewegt wurden. Sie testeten dies an zwei berühmten Herzdatensätzen: MIT-BIH (mit fünf Arten von Herzschlägen) und INCART (mit drei Arten). Das Ziel war es zu sehen, wer diese Herzschläge präziser klassifizieren kann, während er den „Umschlag“ (die hin und her gesendeten Daten) so klein wie möglich hält.

Der schwere Laster vs. das Quanten-Fahrrad

Das Standardmodell, das MLP, ist wie ein schwerer, zuverlässiger Laster. Es funktioniert gut, ist aber sperrig. Um es zum Lernen zu bringen, muss man eine massive Menge an Informationen zwischen dem Server und den Clients hin und her schicken.

Der Herausforderer, das HQKAN, ist das „Quanten-Fahrrad“. Es nutzt eine spezielle Architektur, die von der Quantenmechanik inspiriert ist, insbesondere durch die Verwendung von etwas namens Data Re-Uploading Activation (DARUAN). Anstatt fester, starrer Gänge nutzt es flexible, lernbare Funktionen, die sich perfekt an die Daten anpassen können. Aufgrund dieses cleveren Designs ist das HQKAN unglaublich kompakt.

Die Ergebnisse waren überraschend und eindeutig: Das Fahrrad gewann das Rennen.

Die Bestenliste: Kleiner, schneller und klüger

Als die Forscher die Simulationen mit 8, 16 und 32 verschiedenen Clients durchführten, übertraf das HQKAN das schwere MLP-Laster konsistent, insbesondere wenn die Daten unordentlich und ungleichmäßig waren (ein Szenario namens „non-IID“, bei dem einige Clients sehr unterschiedliche Daten als andere haben).

Hier ist genau, wie viel besser das HQKAN laut den Zahlen in der Arbeit war:

• Auf dem MIT-BIH-Datensatz:

  • Das HQKAN nutzte 37,35 % weniger trainierbare Parameter als das MLP.
  • Es reduzierte die Kommunikationskosten (die Größe des über das Netzwerk versendeten „Umschlags“) um 24,89 %.
  • In Bezug auf die Leistung erzielte es höhere Werte beim Erkennen der seltenen, schwierigen Herzschläge (die Minderheitenklassen) und hatte einen niedrigeren „Brier-Score“ (ein Maß dafür, wie sicher und präzise die Vorhersagen waren).

• Auf dem INCART-Datensatz:

  • Das HQKAN war noch effizienter und nutzte 44,81 % weniger trainierbare Parameter.
  • Es senkte die Kommunikationskosten um 36,41 %.
  • Genau wie beim anderen Datensatz behielt es eine stärkere Leistung bei, selbst wenn die Clients über sehr unterschiedliche Datenverteilungen verfügten.

Warum das Fahrrad gewann

Die Arbeit legt nahe, dass die Geheimwaffe des HQKAN seine Fähigkeit ist, robust zu bleiben, wenn die Daten fragmentiert sind. Als die Anzahl der Clients zunahm (was die Daten stärker zerstreute), begann die Leistung des MLP zu schwanken, aber das HQKAN hielt stand.

Beispielsweise erreichte das HQKAN auf dem MIT-BIH-Datensatz mit 32 Clients einen Macro-F1-Score (ein Maß für die allgemeine Balance zwischen verschiedenen Herzschlagtypen) von 0,761, während das MLP nur 0,698 erreichte. Diese Lücke vergrößerte sich tatsächlich, je mehr Clients hinzugefügt wurden, was darauf hindeutet, dass das HQKAN umso mehr glänzt, je fragmentierter das Netzwerk wird.

Die Forscher untersuchten auch, wie gut die Modelle mit „Label Skew“ (Kennzeichen-Schiefe) umgehen konnten – eine Situation, in der ein Client vielleicht hauptsächlich normale Herzschläge hat und ein anderer hauptsächlich seltene, gefährliche. Sie simulierten dies mithilfe einer „Dirichlet-Verteilung“ mit verschiedenen Konzentrationsparametern (wie $\alpha = 0,3$). Selbst in diesen schwierigen, schiefen Szenarien zeigte das HQKAN konsistent höhere AUROC- und AUPRC-Werte (Metriken, die messen, wie gut ein Modell zwischen Klassen unterscheiden kann) im Vergleich zum MLP.

Das Urteil

Die Arbeit kommt zu dem Schluss, dass man nicht auf Geschwindigkeit oder Effizienz verzichten muss, um Robustheit zu erhalten. Das HQKAN beweist, dass ein kompaktes, kommunikationseffizientes Modell tatsächlich besser darin sein kann, aus privaten, verstreuten Herzdaten zu lernen, als die traditionellen, sperrigen Modelle.

Es ist kein magisches Allheilmittel, und diese Ergebnisse basieren auf Simulationen unter Verwendung bestehender Datensätze, aber die Erkenntnisse deuten auf eine vielversprechende neue Richtung hin. Indem wir uns die strukturelle Eleganz der quanteninspirierten Mathematik zunutze machen, könnten wir KI-Systeme bauen, die unsere Privatsphäre respektieren, unsere Bandbreite sparen und dennoch jene seltenen, gefährlichen Herzschläge mit einem scharfen Auge erfassen. Der schwere Laster ist nach wie vor nützlich, aber für die Zukunft der privatsphäre-bewussten Herzüberwachung sieht das Quanten-Fahrrad wie das Mittel der Wahl aus.