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

Stel je een wereld voor waarin het geheime dagboek van je hart — het elektrische ritme dat in je borstkas klopt — opgesloten ligt in een kluis in je lokale ziekenhuis, in een andere kluis bij een bedrijf van draagbare horloges, en in een derde kluis bij een onderzoekskliniek. Deze dagboeken zijn te kostbaar en privé om zomaar gekopieerd en geplakt te worden in één grote centrale bibliotheek, want dat zou het risico lopen je persoonlijke gezondheidsgeheimen bloot te leggen. Dit is het probleem van Federated Learning: een slimme manier voor computers om samen te leren zonder elkaars privédata ooit te zien. In plaats van de ruwe hartslagen te versturen, sturen de computers alleen de "geleerde lessen" (mathematische updates) heen en weer.

Er is echter een addertje onder het gras. Het versturen van deze lessen kost tijd en bandbreedte, zoals het proberen te versturen van een zware encyclopedie wanneer je slechts een kleine envelop hebt. Ook is de data rommelig; sommige cliënten hebben duizenden hartslagen, terwijl anderen er slechts een paar hebben, en sommige hartcondities zijn zeldzame "naald-in-een-hooiberg"-gebeurtenissen. Om dit op te lossen, verkennen wetenschappers Quantum-Inspired modellen. Deze draaien niet op echte kwantumcomputers (die nog steeds erg experimenteel en ruisgevoelig zijn), maar ze lenen de mathematische trucs van de kwantumfysica om modellen te bouwen die ongelooflijk klein en efficiënt zijn. Denk eraan als het gebruiken van de blauwdruk van een superlichtgewicht ruimteschip om een fiets te bouwen die nog steeds kan vliegen. De grote vraag is: kunnen deze kleine, quantum-inspired fietsen de zware last van het leren van privé hartdata beter dragen dan de standaard, zware vrachtwagens die we gewoon gebruiken?

---

De Kern van de Zaak: Een Race Tussen een Zware Vrachtwagen en een Quantumfiets

In deze studie zetten de onderzoekers een race met hoge inzet op om te zien of een nieuw type AI-model, een Hybrid Quantum-inspired Kolmogorov–Arnold Network (HQKAN), de standaard werkpaard-model, een Multilayer Perceptron (MLP), kan verslaan bij de taak van het opsporen van hartaritmieën (onregelmatige hartslagen).

De race vond plaats in een "Federated" arena, wat betekent dat de modellen moesten leren van data die verspreid bleef over verschillende "cliënten" (om verschillende ziekenhuizen of apparaten te simuleren) zonder dat de ruwe data ooit verplaatst werd. Ze testten dit op twee beroemde hartdatasets: MIT-BIH (met vijf soorten hartslagen) en INCART (met drie soorten). Het doel was om te zien wie deze hartslagen accuraat kon classificeren terwijl de "envelop" (de data die heen en weer wordt gestuurd) zo klein mogelijk werd gehouden.

De Zware Vrachtwagen versus De Quantumfiets

Het standaardmodel, de MLP, is als een zware, betrouwbare vrachtwagen. Het werkt goed, maar het is lomp. Om het te laten leren, moet je een enorme hoeveelheid informatie heen en weer sturen tussen de server en de cliënten.

De uitdager, de HQKAN, is de "quantumfiets". Het gebruikt een speciale architectuur geïnspireerd door de kwantummechanica, specifiek gebruikmakend van iets dat Data Re-Uploading Activation (DARUAN) wordt genoemd. In plaats van vaste, rigide versnellingen, gebruikt het flexibele, leerbare functies die kunnen draaien en buigen om perfect bij de data te passen. Dankzij dit slimme ontwerp is de HQKAN ongelooflijk compact.

De resultaten waren verrassend en duidelijk: De fiets won de race.

Het Scorebord: Kleiner, Sneller en Slimmer

Toen de onderzoekers de simulaties draaiden met 8, 16 en 32 verschillende cliënten, presteerde de HQKAN consequent beter dan de zware MLP-vrachtwagen, vooral wanneer de data rommelig en ongelijkmatig was (een scenario dat "non-IID" wordt genoemd, waarbij sommige cliënten heel andere data hebben dan anderen).

Hier is precies hoe veel beter de HQKAN presteerde, volgens de cijfers in het artikel:

• Op de MIT-BIH dataset:

  • De HQKAN gebruikte 37,35% minder trainbare parameters dan de MLP.
  • Het verminderde de communicatiekosten (de grootte van de "envelop" die over het netwerk wordt gestuurd) met 24,89%.
  • Wat betreft prestaties behaalde het hogere scores voor het opsporen van de zeldzame, lastige hartslagen (de minderheidsklassen) en had het een lagere "Brier score" (een maatstaf voor hoe zelfverzekerd en accuraat de voorspellingen waren).

• Op de INCART dataset:

  • De HQKAN was nog efficiënter en gebruikte 44,81% minder trainbare parameters.
  • Het verlaagde de communicatiekosten met 36,41%.
  • Net als bij de andere dataset behield het een sterkere prestatie, zelfs wanneer de cliënten zeer verschillende datadistributies hadden.

Waarom de Fiets Won

Het artikel suggereert dat het geheime wapen van de HQKAN het vermogen is om robuust te blijven wanneer de data gefragmenteerd is. Naarmate het aantal cliënten toenam (waardoor de data meer versnipperd raakte), begon de prestatie van de MLP te wankelen, maar de HQKAN hield stand.

Bijvoorbeeld, op de MIT-BIH dataset met 32 cliënten behaalde de HQKAN een macro-F1 score (een maatstaf voor de algemene balans tussen verschillende hartslagtypen) van 0,761, terwijl de MLP slechts 0,698 wist te halen. Deze kloof werd zelfs groter naarmate het aantal cliënten toenam, wat suggereert dat hoe gefragmenteerder het netwerk wordt, hoe meer de HQKAN uitblinkt.

De onderzoekers keken ook naar hoe goed de modellen omgingen met "label skew" — een situatie waarin één cliënt misschien voornamelijk normale hartslagen heeft en een andere voornamelijk zeldzame, gevaarlijke hartslagen. Ze simuleerden dit met een "Dirichlet-distributie" met verschillende concentratieparameters (zoals $\alpha = 0,3$). Zelfs in deze moeilijke, scheve scenario's vertoonde de HQKAN consequent hogere AUROC en AUPRC scores (metrieken die meten hoe goed een model klassen van elkaar onderscheidt) vergeleken met de MLP.

Het Eindoordeel

Het artikel concludeert dat je geen snelheid of efficiëntie hoeft op te offeren om robuustheid te krijgen. De HQKAN bewijst dat een compact, communicatie-efficiënt model daadwerkelijk beter kan zijn in het leren van privé, verspreide hartdata dan de traditionele, lompe modellen.

Het is geen magische wondermiddel, en deze resultaten zijn gebaseerd op simulaties met bestaande datasets, maar de bevindingen suggereren een veelbelovende nieuwe richting. Door te lenen van de structurele elegantie van quantum-inspired wiskunde, kunnen we wellicht AI-systemen bouwen die onze privacy respecteren, onze bandbreedte sparen en toch die zeldzame, gevaarlijke hartslagen met een scherp oog opmerken. De zware vrachtwagen is nog steeds nuttig, maar voor de toekomst van privacybewuste hartmonitoring lijkt de quantumfiets het voertuig bij uitstek te zijn.