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

कल्पना कीजिए कि एक ऐसी दुनिया जहाँ आपकी हृदय की गुप्त डायरी—वह विद्युत लय जो आपके सीने के भीतर धड़कती है—आपके स्थानीय अस्पताल में एक तिजोरी में, एक पहनने योग्य घड़ी कंपनी में एक अन्य तिजोरी में, और एक अनुसंधान क्लिनिक में एक तीसरी तिजोरी में बंद है। ये डायरियाँ इतनी कीमती और निजी हैं कि उन्हें एक विशाल केंद्रीय पुस्तकालय में कॉपी और पेस्ट नहीं किया जा सकता, क्योंकि इससे आपके व्यक्तिगत स्वास्थ्य रहस्यों के उजागर होने का जोखिम होगा। यह फेडरेटेड लर्निंग (Federated Learning) की समस्या है: एक चतुर तरीका जिससे कंप्यूटर एक-दूसरे के निजी डेटा को देखे बिना मिलकर सीख सकते हैं। इसके बजाय, वे कच्चे दिल की धड़कनों को भेजने के बजाय केवल "सीखे गए सबक" (गणितीय अपडेट) वापस भेजते हैं।

हालाँकि, इसमें एक पेंच है। इन पाठों को भेजना समय और बैंडविड्थ लेता है, जैसे कि एक छोटे से लिफाफे में एक भारी विश्वकोश भेजने की कोशिश करना जब आपके पास केवल एक छोटा लिफाफा हो। साथ ही, डेटा अव्यवस्थित है; कुछ क्लाइंट्स के पास हजारों धड़कनें हैं, जबकि दूसरों के पास केवल कुछ ही हैं, और कुछ हृदय स्थितियाँ दुर्लभ "घास के ढेर में सुई" जैसी घटनाएं हैं। इसे हल करने के लिए, वैज्ञानिक क्वांटम-प्रेरित (Quantum-Inspired) मॉडल की खोज कर रहे हैं। ये वास्तविक क्वांटम कंप्यूटरों पर नहीं चल रहे हैं (जो अभी भी बहुत प्रयोगात्मक और शोर वाले हैं), बल्कि वे क्वांटम भौतिकी के गणितीय तरीकों को उधार लेते हैं ताकि अविश्वसनीय रूप से छोटे और कुशल मॉडल बनाए जा सकें। इसे एक सुपर-हल्के अंतरिक्ष यान के ब्लूप्रिंट का उपयोग करके एक साइकिल बनाने जैसा समझें जो फिर भी उड़ सके। बड़ा सवाल यह है: क्या ये नन्हे, क्वांटम-प्रेरित साइकिलें मानक, भारी ट्रकों की तुलना में निजी हृदय डेटा से सीखने का भारी भार बेहतर तरीके से उठा सकती हैं?

---

मामले का सार: एक भारी ट्रक और एक क्वांटम साइकिल के बीच की दौड़

इस अध्ययन में, शोधकर्ताओं ने एक उच्च-दांव वाली दौड़ आयोजित की यह देखने के लिए कि क्या एक नया प्रकार का एआई मॉडल, जिसे हाइब्रिड क्वांटम-प्रेरित कोलमोगोरोव-एन (HQKAN) कहा जाता है, हृदय की अतालता (अनियमित धड़कन) का पता लगाने के काम में मानक कार्यशील मॉडल, मल्टीलेयर पर्सेप्ट्रॉन (MLP) को हरा सकता है या नहीं।

यह दौड़ एक "फेडरेटेड" अरीना में हुई, जिसका अर्थ है कि मॉडलों को उस डेटा से सीखना था जो अलग-अलग "क्लाइंट्स" (विभिन्न अस्पतालों या उपकरणों का अनुकरण करते हुए) में बिखरा हुआ था, बिना कच्चे डेटा को हिलाए। उन्होंने इसका परीक्षण दो प्रसिद्ध हृदय डेटासेट पर किया: MIT-BIH (पाँच प्रकार की धड़कनों के साथ) और INCART (तीन प्रकारों के साथ)। लक्ष्य यह देखना था कि कौन इन धड़कनों को सटीक रूप से वर्गीकृत कर सकता है और साथ ही अपने "लिफाफे" (नेटवर्क पर भेजा जाने वाला डेटा) को यथासंभव छोटा रख सकता है।

भारी ट्रक बनाम क्वांटम साइकिल

मानक मॉडल, MLP, एक भारी, विश्वसनीय ट्रक की तरह है। यह अच्छा काम करता है, लेकिन यह भारी है। इसे सीखने के लिए, आपको सर्वर और क्लाइंट के बीच भारी मात्रा में जानकारी भेजनी पड़ती है।

चुनौती देने वाला, HQKAN, "क्वांटम साइकिल" है। यह क्वांटम यांत्रिकी से प्रेरित एक विशेष आर्किटेक्चर का उपयोग करता है, विशेष रूप से डेटा री-अपलोडिंग एक्टिवेशन (DARUAN) नामक चीज़ का उपयोग करता है। निश्चित, कठोर गियर के बजाय, यह लचीले, सीखने योग्य कार्यों का उपयोग करता है जो डेटा के अनुकूल होने के लिए मुड़ और घूम सकते हैं। इस चतुर डिज़ाइन के कारण, HQKAN अविश्वसनीय रूप से संक्षिप्त है।

परिणाम आश्चर्यजनक और स्पष्ट थे: साइकिल दौड़ जीत गई।

स्कोरबोर्ड: छोटा, तेज़ और स्मार्ट

जब शोधकर्ताओं ने 8, 16 और 32 विभिन्न क्लाइंट्स के साथ सिमुलेशन चलाया, तो HQKAN ने लगातार भारी MLP ट्रक को पछाड़ दिया, विशेष रूप से तब जब डेटा अव्यवस्थित और असमान (एक परिदृश्य जिसे "non-IID" कहा जाता है, जहाँ कुछ क्लाइंट्स के पास अन्य क्लाइंट्स की तुलना में बहुत अलग डेटा होता है) था।

यहाँ बताया गया है कि HQKAN वास्तव में कितना बेहतर रहा, पेपर के नंबरों के अनुसार:

• MIT-BIH डेटासेट पर:

  • HQKAN ने MLP की तुलना में 37.35% कम प्रशिक्षण योग्य पैरामीटर (trainable parameters) का उपयोग किया।
  • इसने संचार लागत (नेटवर्क पर भेजे गए "लिफाफे" का आकार) को 24.89% कम कर दिया।
  • प्रदर्शन के मामले में, इसने दुर्लभ, कठिन धड़कनों (अल्पसंख्यक वर्गों) को पहचानने के लिए उच्च स्कोर प्राप्त किया और इसका "ब्रायर स्कोर" (भरोसेमंदता और सटीकता का एक माप) कम रहा।

• INCART डेटासेट पर:

  • HQKAN और भी अधिक कुशल था, जिसने 44.81% कम प्रशिक्षण योग्य पैरामीटर का उपयोग किया।
  • इसने संचार लागत को 36.41% कम कर दिया।
  • अन्य डेटासेट की तरह ही, इसने मजबूत प्रदर्शन बनाए रखा, भले ही क्लाइंट्स के पास बहुत अलग डेटा वितरण हो।

साइकिल क्यों जीती

पेपर सुझाव देता है कि HQKAN का गुप्त हथियार खंडित डेटा के दौरान मजबूत बने रहने की इसकी क्षमता है। जैसे-जैसे क्लाइंट्स की संख्या बढ़ी (जिससे डेटा अधिक बिखरा हुआ हो गया), MLP का प्रदर्शन डगमगाने लगा, लेकिन HQKAN ने अपनी स्थिति बनाए रखी।

उदाहरण के लिए, 32 क्लाइंट्स के साथ MIT-BIH डेटासेट पर, HQKAN ने 0.761 का मैक्रो-F1 स्कोर (विभिन्न धड़कनों के प्रकारों के बीच समग्र संतुलन का एक माप) प्राप्त किया, जबकि MLP केवल 0.698 ही जुटा सका। यह अंतर वास्तव में क्लाइंट्स की संख्या बढ़ने के साथ बढ़ता गया, जो यह दर्शाता है कि नेटवर्क जितना अधिक खंडित होता है, HQKAN उतना ही अधिक चमकता है।

शोधकर्ताओं ने यह भी देखा कि मॉडल "लेबल स्क्यू" (label skew) को कितनी अच्छी तरह संभालते हैं—एक ऐसी स्थिति जहाँ एक क्लाइंट के पास ज्यादातर सामान्य धड़कनें हो सकती हैं और दूसरे के पास ज्यादातर दुर्लभ, खतरनाक धड़कनें। उन्होंने इसका अनुकरण एक "डिरिचलेट वितरण" (Dirichlet distribution) का उपयोग करके किया जिसमें विभिन्न सांद्रता पैरामीटर (जैसे कि $\alpha = 0.3$) थे। इन कठिन, विषम परिदृश्यों में भी, HQKAN ने MLP की तुलना में लगातार उच्च AUROC और AUPRC स्कोर (मेट्रिक्स जो यह मापते हैं कि मॉडल वर्गों के बीच कितनी अच्छी तरह अंतर करता है) दिखाए।

निर्णय

पेपर निष्कर्ष निकालता है कि आपको मजबूती पाने के लिए गति या दक्षता का त्याग करने की आवश्यकता नहीं है। HQKAN सिद्ध करता है कि एक संक्षिप्त, संचार-कुशल मॉडल वास्तव में पारंपरिक, भारी मॉडलों की तुलना में निजी, बिखरे हुए हृदय डेटा से सीखने में बेहतर हो सकता है।

यह कोई जादुई इलाज नहीं है, और ये परिणाम मौजूदा डेटासेट का उपयोग करके किए गए सिमुलेशन पर आधारित हैं, लेकिन निष्कर्ष एक आशाजनक नई दिशा का सुझाव देते हैं। क्वांटम-प्रेरित गणित की संरचनात्मक भव्यता को उधार लेकर, हम ऐसे एआई सिस्टम बना सकते हैं जो हमारी गोपनीयता का सम्मान करते हैं, हमारे बैंडविड्थ को बचाते हैं, और फिर भी उन दुर्लभ, खतरनाक धड़कनों को एक पैनी नज़र से पकड़ सकते हैं। भारी ट्रक अभी भी उपयोगी है, लेकिन भविष्य की गोपनीयता-जागरूक हृदय निगरानी के लिए, क्वांटम साइकिल ही विकल्प के रूप में उभर रही है।