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

あなたの心臓の秘密の日記——胸の中で刻まれる電気的なリズム——が、地元の病院にある金庫、ウェアラブルウォッチ企業にある別の金庫、そして研究クリニックにあるもう一つの金庫にロックされている世界を想像してみてください。これらの日記はあまりにも貴重でプライベートなものであるため、一つの巨大な中央ライブラリにコピー＆ペーストして集約することはできません。なぜなら、それはあなたの個人的な健康の秘密をさらすリスクがあるからです。これが「連合学習（Federated Learning）」という問題です。これは、互いのプライベートなデータを見ることなく、コンピュータが共に学ぶための巧妙な方法です。生の心拍データを送る代わりに、コンピュータは「学んだ教訓」（数学的な更新情報）のみをやり取りします。

しかし、そこには落とし穴があります。これらの教訓を送るには、小さな封筒しかないのに重い百科事典を郵送しようとする時のように、時間と帯域幅が必要です。また、データはバラバラです。数千もの心拍数を持つクライアントもいれば、わずかなものしか持たないクライエントもいます。さらに、いくつかの心疾患は「干し草の山の中の針」のような稀な事象です。これを解決するために、科学者たちは「量子インスパイア（Quantum-Inspired）」モデルを探索しています。これらは実際の量子コンピュータ（それらはまだ非常に実験的でノイズが多い状態です）で動いているわけではありませんが、量子力学の「数学的なトリック」を借りて、驚くほど小さく効率的なモデルを構築しています。これは、超軽量の宇宙船の設計図を借りて、空を飛べる自転車を作るようなものです。大きな疑問はこうです。これらの小さな量子インスパイア・自転車は、標準的な重いトラックよりも、プライベートな心臓データから学ぶという重い荷物をより良く運べるのでしょうか？

---

問題の核心：重いトラックと量子自転車のレース

この研究において、研究者たちは、新しいタイプのAIモデルである「ハイブリッド量子インスパイア・コルモゴロフ・アーノルド・ネットワーク（HQKAN）」が、標準的な主力モデルである「多層パーセプトロン（MLP）」に対して、不整脈（不規則な心拍）の検知という仕事で勝てるかどうかを確認するための、ハイステークスなレースを設定しました。

このレースは「連合（Federated）」の舞台で行われました。つまり、モデルは生データを移動させることなく、異なる「クライアント」（異なる病院やデバイスをシミュレートしたもの）に分散したデータから学習しなければなりません。彼らはこれを、2つの有名な心臓データセット、MIT-BIH（5種類の心拍を含む）とINCART（3種類の心拍を含む）を用いてテストしました。目標は、誰が正確にこれらの心拍を分類しながら、「封筒」（ネットワーク上で送受信されるデータのサイズ）をできる限り小さく保てるかを確認することでした。

重いトラック vs 量子自転車

標準的なモデルであるMLPは、重くて信頼できるトラックのようなものです。うまく機能しますが、かさばります。これを学習させるには、サーバーとクライアントの間で膨大な量の情報をやり取りしなければなりません。

挑戦者であるHQKANは、「量子自転車」です。これは量子力学、具体的には「データ再アップロード活性化（DARUAN）」と呼ばれるものに触発された特別なアーキテクチャを使用しています。固定された硬いギアの代わりに、データに完璧にフィットするようにねじれたり曲がったりできる、柔軟で学習可能な関数を使用します。この巧妙な設計により、HQKANは驚くほどコンパクトです。

結果は驚くべきものであり、明確でした。自転車がレースに勝利しました。

スコアボード：より小さく、速く、賢く

研究者が8、16、32の異なるクライアントを用いたシミュレーションを実行したところ、HQKANは、データが乱雑で不均衡な場合（「non-IID」と呼ばれる、一部のクライアントが他のクライアントと非常に異なるデータを持つシナリオ）において、一貫して重いMLPトラックを上回りました。

MIT-BIHデータセットにおける具体的な数値は以下の通りです：

• HQKANは、MLPよりも37.35%少ない学習可能パラメータを使用しました。
• 通信コスト（ネットワーク越しに送られる「封筒」のサイズ）を24.89%削減しました。
• パフォーマンスの面では、希少でトリッキーな心拍（マイノリティクラス）の検知において高いスコアを達成し、より低い「ブライア・スコア」（予測の自信と正確さの尺度）を実現しました。

INCARTデータセットにおける結果：

• HQKANはさらに効率的であり、44.81%少ない学習可能パラメータを使用しました。
• 通信コストを36.41%削減しました。
• もう一つのデータセットと同様に、クライアントが非常に異なるデータ分布を持っている場合でも、強いパフォーマンスを維持しました。

なぜ自転車が勝ったのか

論文は、HQKANの秘密兵器が、データが断片化している状況でも堅牢性を維持できる能力であると示唆しています。クライアントの数が増える（データがより分散する）につれて、MLPのパフォーマンスは揺らぎ始めましたが、HQKANは持ちこたえました。

例えば、32のクライアントを用いたMIT-BIHデータセットにおいて、HQKANはマクロF1スコア（異なる心拍タイプの全体的なバランスの尺度）で0.761を達成しましたが、MLPは0.698しか達成できませんでした。この差はクライアント数が増えるにつれて拡大しており、ネットワークがより断片化されるほど、HQKANが輝くことを示唆しています。

研究者たちはまた、あるクライアントは主に正常な心拍を持ち、別のクライアントは主に稀で危険な心拍を持つといった「ラベルの偏り（label skew）」をモデルがどのように扱うかも調査しました。彼らは、異なる濃度パラメータ（$\alpha = 0.3$ など）を用いた「ディリクレ分布」を使用してこれをシミュレートしました。このような困難で偏ったシナリオにおいても、HQKANは一貫してMLPと比較して高いAUROCおよびAUPRC（クラス間の識別能力を測る指標）を示しました。

結論

論文は、堅牢性を得るためにスピードや効率を犠牲にする必要はないと結論付けています。HQKANは、コンパクトで通信効率の高いモデルが、従来の嵩張るモデルよりも、プライベートで分散した心臓データから学習することにおいて実際に「優れている」可能性があることを証明しています。

これは魔法の万能薬ではなく、既存のデータセットを用いたシミュレーションに基づいた結果ですが、その知見は有望な新しい方向性を示唆しています。量子インスパイアされた数学の構造的な優雅さを借りることで、プライバシーを尊重し、帯域幅を節約しながら、それでもなお、鋭い眼差しでそれらの稀で危険な心拍を捉えるAIシステムを構築できるかもしれません。重いトラックは依然として有用ですが、プライバシーに配慮した心臓モニタリングの未来においては、量子自転車が選択すべき乗り物のように見えます。