Quantum-Enhanced Processing with Tensor-Network Frontends for Privacy-Aware Federated Medical Diagnosis

Titel

Quantum-Versterkte Verwerking met Tensor-Netwerk Frontends voor Privacy-bewuste Federale Medische Diagnose

1. Het Probleem

De paper adresseert de toenemende behoefte aan privacy-bewust machine learning in de gezondheidszorg, waar data gedecentraliseerd is over verschillende ziekenhuizen en instituties. Er zijn drie centrale uitdagingen die samen een complex systeemontwerp vereisen:

• Privacy en Communicatie-Overhead: Federated Learning (FL) voorkomt het delen van ruwe data, maar vereist vaak veilige aggregatie (bijv. via Multi-Party Computation of MPC) om privacy te garanderen. MPC introduceert echter aanzienlijke communicatiekosten, die lineair toenemen met de dimensie van de gedeelde representaties.
• Beperkte Quantum-Hardware: Directe quantumverwerking van hoge-dimensionale medische beelden (zoals röntgenfoto's) is onrealistisch met huidige quantumprocessors die slechts een beperkt aantal qubits hebben.
• Integratie van Quantum en Privacy: Bestaande studies behandelen vaak privacyprotocollen, tensor-netwerken en quantum-machine learning (QML) als gescheiden domeinen. Er ontbreekt een geïntegreerd kader dat onderzoekt hoe een quantum-verbeteringsmodule (QEP) zich gedraagt binnen een privacy-bewuste FL-pijplijn die ook compressie gebruikt.

2. Methodologie

De auteurs stellen een hybride, end-to-end framework voor dat drie fasen combineert: Client-side Tensor-Network Encoding, MPC-veilige Aggregatie, en Post-Aggregatie Quantum-Refinement.

A. Client-side Tensor-Network Frontends (Compressie)

In plaats van ruwe beelden te verzenden, comprimeren clients de input (28x28 röntgenfoto's) tot een compacte latente representatie (dimensie $d=64$) voordat deze naar de server gaan. Drie verschillende tensor-netwerk-architecturen worden vergeleken:

1. MPS (Matrix Product State): Verwerkt de afbeelding als een lineaire reeks van blokken.
2. TTN (Tree Tensor Network): Verwerkt de afbeelding als een boomstructuur van niet-overlappende patches (16 patches van 7x7).
3. MERA (Multi-scale Entanglement Renormalization Ansatz): Een hiërarchische structuur die lokale menging en grofkorreligheid combineert.

Doel: Deze compressie verlaagt de dimensionale last voor de server en maakt quantumverwerking haalbaar met weinig qubits.

B. MPC-veilige Aggregatie

De gecomprimeerde latente vectoren worden geaggregeerd via een 3-partij Replicated Secret Sharing MPC-protocol.

• Systeemmodel: Drie niet-samenzwerende rekenknooppunten voeren de aggregatie uit zonder dat enige partij de individuele bijdragen ziet.
• Veiligheidsniveaus: Er worden scenario's getest variërend van passieve veiligheid (alleen aggregatie) tot actieve veiligheid (inclusief normalisatie en transformatie).
• Kostenmodel: De communicatiekosten worden gemodelleerd op basis van de dimensie van de beschermde representatie en het aantal beveiligingsoperaties.

C. Quantum-Enhanced Processor (QEP)

Na de veilige aggregatie wordt de globale latente feature verwerkt door een QEP:

• Embedding: De klassieke vector wordt gemapt naar een quantumtoestand via een trainbare hoencoder (angle encoder).
• Circuit: Een parameterloos quantumcircuit (geen variational quantum eigensolver) met $N_q$ qubits, bestaande uit $R_y$/$R_z$ rotaties en CNOT-entangling gates.
• Readout: De output wordt bepaald door de verwachtingswaarden van Pauli-observabelen (1-lichaam en 2-lichaam correlaties).
• Fusie: De quantum-features worden klassiek gedecodeerd en adaptief gefuseerd met de oorspronkelijke klassieke representatie via een leerbare gate ($\alpha$).

3. Experimentele Opstelling

• Dataset: PneumoniaMNIST (pediatrische röntgenfoto's: Normaal vs. Pneumonie).
• Setup: 16 clients, label-gestratificeerde verdeling.
• Vergelijking: Klassieke modellen (zonder QEP) versus Hybrid modellen (met QEP) voor MPS, TTN en MERA.
• Variabelen: Aantal qubits (4 tot 16) en ruiscondities (depolariserend, thermisch, gemengd).

4. Belangrijkste Resultaten

A. Architectuur-afhankelijkheid van Quantum-Verbetering

• De prestaties van de QEP zijn niet uniform over alle frontends. De effectiviteit hangt sterk af van de interactie tussen de tensor-netwerk-topologie en de quantum-verbetering.
• TTN + QEP: Toont het meest gebalanceerde en gunstige profiel. Het bereikt hoge nauwkeurigheid en een sterke F1-score voor pneumonie, terwijl het de sensitiviteit (recall) voor positieve gevallen behoudt.
• MPS en MERA: Presteren ook goed, maar de verbetering door de QEP is minder consistent of leidt tot andere operationele regimes (bijv. hogere variabiliteit in de quantum-branch bij MPS).
• Interne Dynamiek: De TTN-architectuur resulteert in een meer gecontroleerde dispersie van de quantum-features (lagere q-std) vergeleken met MPS, wat suggereert dat stabiliteit belangrijker is dan pure variabiliteit voor prestaties.

B. Qubit-Schaling en Ruis

• Qubit-aantal: Voor de 64-dimensionale latente input zijn configuraties met minder dan 8 qubits ($N_q < 8$) onvoldoende expressief. Vanaf $N_q = 8$ stabiliseren de prestaties.
• Ruis: Onder ruiscondities (thermisch, depolariserend) neemt de prestatie af ten opzichte van de ruisvrije simulatie, maar het framework blijft robuust. Thermische ruis toont de grootste variabiliteit.

C. MPC Communicatiekosten

• De belangrijkste bevinding voor het systeemontwerp is dat de communicatiekosten van MPC primair worden bepaald door de dimensie van de beschermde representatie, en niet door het aantal clients.
• Dubbele Rol van Tensor-Netwerken: Door de input te comprimeren (van 784 dimensies naar 64), wordt de "aanvalsoppervlakte" voor MPC drastisch verkleind. Dit verlaagt de communicatie-overhead aanzienlijk, waardoor veilige aggregatie praktischer wordt.

5. Bijdragen en Significantie

1. Co-Design Perspectief: Het paper demonstreert dat representatiecompressie, veilige aggregatie en quantum-verbetering niet als losse componenten kunnen worden geoptimaliseerd. Ze moeten gezamenlijk worden ontworpen.
2. Dual Role van Compressie: Tensor-netwerken dienen twee doelen: ze maken quantumverwerking mogelijk op kleine hardware (door input te verkleinen) en ze verlagen de kosten van privacy-beveiliging (MPC).
3. Architectuur-afhankelijke Quantum Effecten: Het weerlegt het idee dat quantum-verbetering een universele "boost" is. In plaats daarvan is het een mechanisme dat specifiek reageert op de structuur van de ingevoerde data (de latente ruimte). TTN bleek de beste interface voor dit specifieke quantum-circuit.
4. Praktische Toepasbaarheid: Hoewel de resultaten gebaseerd zijn op simulaties, biedt het framework een realistisch pad voor toekomstige quantum-toepassingen in de gezondheidszorg. Het suggereert dat het toepassen van quantum-processing op gecomprimeerde latente features (in plaats van ruwe data) de haalbare route is voor toekomstige quantum-devices met beperkte qubits.

Conclusie

De auteurs concluderen dat een hybride framework, dat tensor-netwerk compressie combineert met MPC en post-aggregatie quantum refinement, een veelbelovende route is voor privacy-bewuste medische AI. De TTN+QEP-combinatie biedt de beste balans tussen prestatie, stabiliteit en systeemkosten, waarbij de compressie essentieel is om zowel de quantum-beperkingen als de privacy-kosten te beheersen.