💻 computer science

Spectral Basis Interpretable Unit: A Learned Orthogonal Projection Module for Interpretable Function Approximation and Unsupervised Regime Discovery

Dit artikel introduceert de Spectral Basis Interpretable Unit (SBIU), een klassiek geïnspireerde, door kwantummechanica gemotiveerde neurale module die geleerde orthogonale projecties gebruikt om universele functiebenadering en ongesuperviseerde regimeontdekking te bereiken met een hoge interpreteerbaarheid en concurrerende prestaties op zowel synthetische als reële klinische datasets.

Oorspronkelijke auteurs: Kiarash Mohammadi

Gepubliceerd 2026-08-25

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Kiarash Mohammadi

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

In de wereld van moderne kunstmatige intelligentie worden machines ongelooflijk goed in het vinden van patronen in data, maar ze blijven vaak zwarte dozen. Wanneer een neuraal netwerk een beslissing neemt, is het meestal moeilijk te begrijpen waarom het voor het ene pad boven het andere koos, omdat de interne wiskunde een verstrengeld web van getallen is die niet overeenkomen met iets wat een mens gemakkelijk kan visualiseren. Wetenschappers zoeken al lang naar een manier om deze systemen zo te bouwen dat hun innerlijke werking transparant is, waardoor onderzoekers precies kunnen zien hoe een machine een complex signaal afbreekt in eenvoudigere onderdelen. Deze zoektocht naar helderheid is bijzonder essentieel in velden zoals de geneeskunde, waar het begrijpen van het "waarom" achter een diagnose even belangrijk is als de diagnose zelf. Een recente ontwikkeling richt zich op een nieuw type bouwsteen voor deze machines, een die het systeem dwingt informatie te organiseren in duidelijke, niet-overlappende categorieën, vergelijkbaar met het sorteren van een gemengde zak gekleurde knikkers in aparte potten op basis van hun kleur.

Een onderzoeker genaamd Kiarash Mohammadi heeft een nieuw instrument geïntroduceerd genaamd de Spectral Basis Interpretable Unit, of SBIU, die fungeert als een gespecialiseerd filter voor data. In plaats van de standaard, ondoorzichtige wiskundige functies te gebruiken die in de meeste kunstmatige intelligentie voorkomen, neemt deze eenheid één getal als input en transformeert dit in een reeks waarschijnlijkheden. Stel je voor dat de machine naar een geluidsgolf of een hartslag kijt en vraagt: "Hoeveel van dit signaal behoort tot een laagfrequent ritme, en hoeveel behoort tot een hoogfrequente piek?" De SBIU beantwoordt dit door een percentage toe te wijzen aan elk mogelijk frequentiepatroon dat het heeft geleerd. Cruciaal is dat deze percentages samen honderd procent moeten zijn, en dat de verschillende patronen die het identificeert, wiskundig gedwongen worden om volledig gescheiden van elkaar te zijn. Dit ontwerp zorgt ervoor dat de machine de lijnen tussen verschillende soorten signalen niet doet vervagen, maar ze in plaats daarvan in duidelijke, schone categorieën houdt die een mens kan inspecteren en begrijpen.

De kracht van deze aanpak werd eerst getest op een computergegenereerde simulatie van een machine die schakelt tussen drie verschillende ritmische gedragingen. De machine werd getraind om het volgende moment in het signaal te voorspellen zonder te worden verteld wat de ritmes waren. De SBIU slaagde erin de data succesvol te scheiden in drie duidelijke groepen die de verborgen ritmes perfect matchen, waarbij een nauwkeurigheidsniveau werd bereikt dat standaard, ongestructureerde neurale netwerken overtrof. Belangrijker nog, de onderzoekers konden in de SBIU kijken en precies zien welke frequenties het had geïdentificeerd als de drijvende krachten van elk ritme. De machine had onafhankelijk de specifieke snelheden van de oscillaties ontdekt, wat bewees dat de interne structuur niet slechts een willekeurige gok was, maar een precieze kaart van de onderliggende fysica.

Deze capaciteit werd vervolgens getest op echte medische data, specifiek hersengolfopnames van patiënten met epilepsie en hartslagen van patiënten met aritmieën. In de hersengolfopnames was het systeem in staat om de chaotische elektrische stormen van een aanval automatisch te isoleren van de normale achtergrondactiviteit van de hersenen, zonder ooit een enkel gelabeld voorbeeld van een aanval te hebben gezien. Het identificeerde een specifieke staat die meer dan negentig procent van de aanvaldata bevatte, en scheidde deze helder van gezonde hersenactiviteit en andere staten zoals ogen die open of dicht zijn. Op dezelfde manier, bij het analyseren van hartslagen, onderscheidde het systeem tussen normale hartslagen en gevaarlijke onregelmatige hartslagen door te focussen op de fysieke vorm en duur van het elektrische signaal. Het identificeerde correct dat abnormale hartslagen een bredere, tragere vorm hadden vergeleken met de scherpe, snelle pulsen van een gezond hart, wat overeenkomt met de manier waarop cardiologen deze aandoeningen in de praktijk diagnosticeren.

De onderzoekers bewezen ook dat het toevoegen van complexe lagen gesimuleerde ruis of "decoherentie" aan het systeem, een techniek die soms in andere geavanceerde modellen wordt gebruikt, overbodig en zelfs redundant was voor dit specifieke type eenheid. Ze toonden wiskundig aan dat het kernmechanisme van de SBIU al voldoende was om de taak te volbrengen, en dat het toevoegen van extra complexiteit het trainingsproces alleen maar zou verwarren zonder waarde toe te voegen. Deze bevinding vereenvoudigt het ontwerp, waardoor de eenheid sneller te trainen is en stabieler is. De studie concludeert dat door strikte geometrische regels op te leggen — het systeem te dwingen zijn categorieën gescheiden te houden en zijn outputs als geldige waarschijnlijkheden te behandelen — het mogelijk is om kunstmatige intelligentie te creëren die zowel krachtig als transparant is. Het resultaat is een systeem dat niet alleen uitkomsten voorspelt, maar ook de onderscheidende fysieke regimes onthult die verborgen liggen in de data, wat een nieuwe manier biedt om machines te bouwen die werken met menselijk begrip in plaats van ertegenin.

Technische Samenvatting: Spectral Basis Interpretable Unit (SBIU)

1. Probleemstelling

Traditionele neurale netwerkarchitecturen, inclusief de recent voorgestelde Kolmogorov–Arnold Networks (KANs), kampen met een aanzienlijke "interpreteerbaarheidsgat". Hoewel KANs een hoge flexibiliteit en parameterefficiëntie bieden door het aanleren van univariate randfuncties (doorgaans B-splines), zijn deze geleerde functies lokaal en bestaan ze uit stuksgewijze polynomen waarvan de coëfficiënten geen semantische betekenis hebben. In wetenschappelijke domeinen zoals neurowetenschappen en cardiologie, waar het begrijpen van het waarom achter een voorspelling even cruciaal is als de voorspelling zelf, beperkt deze ondoorzichtigheid de adoptie.

Bestaande interpreteerbare benaderingen vertrouwen vaak op door mensen gespecificeerde concepten (Concept Bottleneck Models), vereisen regime-labels (supervised clustering), of falen in het afdwingen van wederzijds uitsluitende partities van de inputruimte (bijv. standaard Mixture-of-Experts met ongeconstrueerde gating). Er is behoefte aan een randfunctie die:

De inputdomein partitioneert in wederzijds uitsluitende regimes zonder supervisie.
Menselijk leesbare signaturen produceert voor elk regime.
De universele benaderingsgaranties van spline-gebaseerde methoden behoudt.

2. Methodologie

De Spectral Basis Interpretable Unit (SBIU)

De auteur introduceert de SBIU, een univariate functie-approximator die de klassieke B-spline vervangt door een geleerde orthogonale projectie in een Fourier-gecodeerde feature space. De architectuur is geïnspireerd door het meetpostulaat van de kwantummechanica, maar opereert als een strikt klassieke, deterministische module.

Kerncomponenten:

Fourier Feature Map: Een scalaire input $x$ wordt gemapt naar een $L_2$ -genormaliseerde $d$ -dimensionale reële vector $|\psi(x)\rangle$ met behulp van vaste sinus- en cosinusfeatures op frequenties $k\omega_0$ .
Geleerde Orthogonale Basis (Pointer States): Een leerbare speciale orthogonale matrix $V \in SO(d)$ roteert de inputvector. De kolommen van $V$ definiëren een orthonormale basis $\{|\pi_m\rangle\}$ .
Vierkante Modulus Activatie (Born-regel): De input wordt geprojecteerd op de basisvectoren, en de gekwadrateerde moduli van deze projecties worden berekend: $p_m(x) = |\langle \pi_m | \psi(x) \rangle|^2$ . Vanwege de orthogonaliteit van $V$ en de normalisatie van $|\psi(x)\rangle$ , vormen deze waarden een geldige kansverdeling ( $\sum p_m = 1$ ).
Convexe Output: De uiteindelijke scalaire output is een convexe combinatie van deze kansen: $\phi(x) = \sum \lambda_m p_m(x)$ , waarbij $\lambda_m$ leerbare coëfficiënten zijn.

Wiskundige Formulering:
De SBIU berekent een kwadratische vorm over de Fourier-gecodeerde input:
$\phi(x) = \langle \psi(x) | H_{\text{eff}} | \psi(x) \rangle$
waarbij $H_{\text{eff}} = V \Lambda V^\top$ een geleerde Hermitische (symmetrische) operator is. De pointer states zijn de eigenvectoren van $H_{\text{eff}}$ , en de coëfficiënten $\lambda_m$ zijn de eigenwaarden ervan.

Theoretische Bewijzen

Universele Approximatie: De auteur bewijst via de Stelling van Stone–Weierstrass dat de SBIU een universele approximator is voor continue functies op compacte intervallen, mits de dimensie $d$ voldoende groot is.
Redundantie van Decoherentiekanalen: Een belangrijke theoretische bijdrage is het bewijs (Theorem 1) dat het aanvullen van de SBIU met trace-preserving decoherentiekanalen (Kraus-operatoren) die diagonaal zijn in de meetbasis, wiskundig redundant is. De meetprojectie induceert een algebraïsche instorting waarbij de ruisparameters verdwijnen, wat hetzelfde resultaat oplevert als de minimale projectie-en-kwadraat vorm. Dit elimineert de noodzaak voor complexe, instabiele kwantum-geïnspireerde ruis-simulaties.

De Spectral Bottleneck Architectuur

Om de clusteringkracht van de unit te valideren, construeert de auteur de SBI-Bottleneck, een minimale end-to-end differentieerbare architectuur. Deze neemt multivariate tijdreeksvensters, past een lineaire projectie toe, normaliseert de staat en stuurt deze door een enkele SBIU. De unit wordt getraind met een zelf-gesuperviseerde next-step prediction loss (MSE) zonder enige regime-labels.

3. Belangrijkste Bijdragen

Definitie en Karakterisering: Rigoureuze wiskundige definitie van de SBIU, inclusief bewijzen van haar universele approximatiecapaciteiten en de redundantie van diagonale decoherentiekanalen.
Spectral Bottleneck Architectuur: Een nieuwe architectuur die SBIUs gebruikt voor ongesuperviseerde regime-ontdekking in multivariate tijdreeksen.
Synthetische Validatie: Demonstratie op een verborgen-regime oscillator die aantoont dat de SBIU niet alleen data segmenteert, maar ook pointer states leert die exact overeenkomen met bekende generatorfrequenties.
Klinische Validatie: Succesvolle toepassing op real-world fysiologische data (EEG en ECG), waarbij wordt aangetoond dat de unit autonoom pathologische regimes (epileptische aanvallen en ventriculaire aritmieën) isoleert in wederzijds uitsluitende orthogonale staten zonder gesuperviseerde labels.

4. Experimentele Resultaten

Synthetische Hidden-Regime Oscillator

Het model werd getest op een tijdreeks die schakelt tussen drie regimes (2 Hz, 3 Hz en 5 Hz oscillatoren).

Prestaties: De SBI-Bottleneck behaalde een Adjusted Rand Index (ARI) van 0,6857, waarmee het superieur presteerde aan ongestelde Multi-Layer Perceptrons (MLP, ARI 0,6662), Spline-KANs (ARI 0,6459) en Fourier-KANs (ARI 0,1827).
Interpreteerbaarheid: De geleerde basisvectoren stemden perfect overeen met de generatorfrequenties. De orthogonale restricties dwongen het model om het signaal te deconstrueren in onafhankelijke, niet-overlappende spectrale componenten, terwijl ongestelde modellen verstrengelde representaties produceerden.
Robuustheid: De SBIU behield stabiele regimegrenzen bij toenemende Gaussische ruis, terwijl ongestelde baselines leden onder representatie-instorting.

Klinische Validatie in de Praktijk

EEG (Epileptische Aanval Herkenning):

Het model isoleerde epileptische aanvallen autonoom met >90% zuiverheid (specifiek 90,3% voor World 7 in het primaire d=10 experiment, en 93,6% voor World 11 in de verfijnde d=12 sub-regime analyse) zonder labels.
Het identificeerde succesvol "Eyes Closed" staten via Alpha-golfritmes (8–12 Hz) en maakte onderscheid tussen tumor/gezonde gebieden en baseline staten.
De architectuur maakte de representatie van nature spaars, waarbij ongebruikte dimensies naar nul werden gebracht.

ECG (MIT-BIH Aritmie Dataset):

De SBIU isoleerde Ventriculaire ectopische slagen en Ongeclassificeerde slagen in één enkele coördinatenas (World 3) en Fusion slagen in een andere (World 7).
Morfologische Validatie: De scheiding van aritmieën door het model kwam overeen met klinische diagnostiek. Hartslagen die naar de "aritmie" wereld werden gerouteerd, vertoonden een verbreed QRS-complex (gemiddelde breedte 46,89 samples versus 8,85 voor normaal), wat overeenkomt met de fysiologische handtekening van ventriculaire ectopische slagen.

5. Betekenis en Claims

Het artikel claimt dat de SBIU aantoont dat sterke geometrische restricties—specifiek orthogonaliteit, convexe combinaties en een geleerde eigenbasis—een volledig interpreteerbaar alternatief kunnen bieden voor traditionele neurale netwerken zonder aan expressiviteit in te boeten.

Interpreteerbaarheid zonder Labels: De architectuur ontdekt en isoleert autonoom pathologische regimes in fysiologische data, wat een "transparant dashboard" biedt van systeemdynamiek waarbij basisvectoren overeenkomen met fysieke frequenties of morfologische kenmerken.
Efficiëntie: De SBIU fungeert als een parameteraarme regularisator. Het bereikte piekprestaties met de minimale geometrische capaciteit die vereist was ( $d=6$ voor 3 frequenties), terwijl ongestelde modellen dubbele dimensies nodig hadden om een vergelijkbare segmentatie te bereiken.
Theoretische Helderheid: Door de redundantie van diagonale decoherentiekanalen te bewijzen, vereenvoudigt dit werk kwantum-geïnspireerde machine learning, waarbij optimalisatievallen en onnodige parameters worden geëlimineerd terwijl de voordelen van de Born-regel activatie behouden blijven.

De auteur concludeert dat de SBIU een rigoureus kader biedt voor regime-ontdekking, waarmee de kloof wordt overbrugd tussen hoogwaardige functie-approximatie en menselijk leesbaar wetenschappelijk inzicht, met name in domeinen die worden beheerst door natuurwetten van golfvoortplanting en harmonische resonantie.