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

想象一下这样一个世界：你心脏的秘密日记——那在你的胸腔内跳动的电信号节奏——被锁在当地医院的一个保险库里，又被锁在一家智能手表公司的另一个保险库里，还在一家研究诊所的保险库里。这些日记过于珍贵且私密，无法被复制并粘贴到一个巨大的中央图书馆中，因为那样会面临泄露个人健康秘密的风险。这就是**联邦学习（Federated Learning）**所要解决的问题：一种让计算机在互不接触彼此私有数据的情况下共同学习的巧妙方法。计算机发送的不是原始的心跳信号，而是将“学到的教训”（数学更新）来回传递。

然而，这里有一个难点。发送这些“教训”需要时间和带宽，就像试图用一个只有信封大小的空间去邮寄一本厚重的百科全书。此外，数据是杂乱无章的：有些客户端拥有数千次心跳记录，而另一些则只有几次；而且某些心脏状况是极其罕见的“大海捞针”式事件。为了解决这个问题，科学家们正在探索**量子启发式（Quantum-Inspired）*模型。这些模型并非运行在真正的量子计算机上（目前的量子计算机仍处于实验阶段且噪声较大），而是借鉴了量子物理的数学技巧*，来构建极其微小且高效的模型。这就像是利用一艘超轻量级飞船的蓝图来建造一辆依然能够飞行的自行车。核心问题在于：这些微小的、量子启发的“自行车”，能否比我们通常使用的沉重卡车更好地承载学习私密心脏数据的重任？

---

问题的核心：重型卡车与量子自行车的竞赛

在这项研究中，研究人员设置了一场高规格的比赛，旨在观察一种新型 AI 模型——混合量子启发式柯尔莫哥洛夫-阿诺德网络（HQKAN）——是否能在识别心律失常（不规则心跳）的任务中击败标准的标准工作模型——多层感知器（MLP）。

这场比赛在一个“联邦”竞技场中进行，这意味着模型必须在数据保持分散在不同“客户端”（模拟不同的医院或设备）且原始数据永不移动的前提下进行学习。他们在两个著名的心脏数据集上进行了测试：MIT-BIH（包含五种心跳类型）和 INCART（包含三种类型）。目标是观察谁能在保持“信封”（在网络中来回传输的数据量）尽可能小的同时，实现准确的心跳分类。

重型卡车 vs. 量子自行车

标准模型 MLP 就像一辆沉重且可靠的卡车。它表现良好，但很笨重。为了让它学习，你必须在服务器和客户端之间传输海量的信息。

挑战者 HQKAN 则是那辆“量子自行车”。它采用了受量子力学启发的特殊架构，具体使用了被称为**数据重上传激活（DARUAN）**的技术。它没有固定、僵化的齿轮，而是使用灵活的、可学习的函数，可以根据数据进行完美的扭转和适配。得益于这种巧妙的设计，HQKAN 非常紧凑。

结果令人惊讶且清晰：自行车赢得了比赛。

计分板：更小、更快、更聪明

当研究人员在 8、16 和 32 个不同的客户端进行模拟时，HQKAN 始终优于沉重的 MLP 卡车，尤其是在数据杂乱且不均匀（称为“非独立同分布/non-IID”的情景，即某些客户端的数据与其他客户端差异很大）的情况下。

根据论文中的数据，HQKAN 的表现究竟有多出色：

• 在 MIT-BIH 数据集上：

  • HQKAN 比 MLP 少用了 37.35% 的可训练参数。
  • 它降低了通信成本（即在网络中传输的“信封”大小）达 24.89%。
  • 在性能方面，它在识别罕见、棘手的心跳（少数类）方面取得了更高的分数，并且具有更低的“布里尔分数”（Brier score，衡量预测信心与准确性的指标）。

• 在 INCART 数据集上：

  • HQKAN 的效率更高，减少了 44.81% 的可训练参数。
  • 它削减了 36.41% 的通信成本。
  • 与另一个数据集的情况一样，即使在客户端数据分布差异很大的情况下，它也保持了更强的性能。

为什么自行车赢了

论文指出，HQKAN 的秘密武器在于其在数据碎片化时保持稳健的能力。随着客户端数量的增加（使得数据更加分散），MLP 的性能开始出现波动，但 HQKAN 却能稳住阵脚。

例如，在拥有 32 个客户端的 MIT-BIH 数据集上，HQKAN 实现了 0.761 的宏 F1 分数（衡量不同心跳类型之间整体平衡的指标），而 MLP 仅达到了 0.698。这个差距实际上随着客户端数量的增加而扩大，这表明网络越碎片化，HQKAN 的优势就越明显。

研究人员还观察了模型处理“标签偏差”（label skew）的能力——即一个客户端可能大多是正常心跳，而另一个客户端则大多是罕见且危险的心跳。他们通过具有不同浓度参数（如 $\alpha = 0.3$）的“狄利克雷分布”模拟了这种情况。即使在这些困难的、存在偏差的情景下，HQKAN 与 MLP 相比，始终展现出更高的 AUROC 和 AUPRC 分数（衡量模型区分不同类别能力的指标）。

结论

论文得出结论：你并不需要在速度或效率上做出牺牲才能获得稳健性。HQKAN 证明了，一个紧凑、通信高效的模型，在从私密、分散的心脏数据中学习时，实际上可以比传统的、臃肿的模型表现得更好。

这并非万能灵药，且这些结果是基于现有数据集的模拟，但研究结果表明了一个充满希望的新方向。通过借鉴量子启发式数学的结构优雅性，我们或许能够构建出既尊重我们的隐私、又能节省带宽，同时还能以敏锐目光捕捉那些罕见且危险心跳的 AI 系统。重型卡车依然有用，但对于未来的隐私保护型心脏监测而言，量子自行车看起来才是更理想的选择。