面向隐私感知的联邦生物信号学习的混合量子启发式柯尔莫哥洛夫-阿诺尔德网络
Hybrid Quantum-inspired Kolmogorov-Arnold Networks for Privacy-Aware Federated Biosignal Learning
浏览论文内容
中文总结 AI 辅助
该研究针对联邦生物信号学习的隐私与效率挑战，提出混合量子启发式柯尔莫哥洛夫-阿诺尔德网络（HQKAN），在两类心电数据集上较MLP实现参数与通信成本降低，且分类性能更优。
中文摘要 AI 辅助
心电图（ECG）记录是敏感的生物医学数据，这限制了医院和可穿戴设备共享原始信号以进行集中式模型训练的能力。联邦学习通过在各自数据源保留原始生物信号数据的同时实现协作式模型训练，解决了这一实际隐私约束。然而，由于客户端样本有限、心律失常标签不平衡以及客户端间数据非独立同分布（non-IID），联邦心电图分类仍具挑战性。这些约束要求分类器兼具通信效率和对跨客户端分布偏移的鲁棒性。本研究在联邦平均（FedAvg）框架下，针对MIT-BIH数据集的五类心律失常分类和INCART数据集的三类分类，对比评估了混合量子启发式柯尔莫哥洛夫-阿诺尔德网络（HQKAN）与多层感知机（MLP）的性能。在多种客户端配置下，HQKAN在MIT-BIH上提升了多数聚合指标及少数类指标，同时可训练参数减少37.35%，通信成本降低24.89%；在INCART上，其对应减少幅度分别为44.81%和36.41%。这些结果表明，HQKAN为生物信号数据的隐私感知联邦学习提供了一种紧凑、通信高效且鲁棒的替代方案，优于MLP基线模型。
英文摘要
Electrocardiogram (ECG) recordings are sensitive biomedical data, limiting the ability of hospitals and wearable devices to share raw signals for centralized model training. Federated learning addresses this practical privacy constraint by enabling collaborative model training while keeping raw biosignal data at their respective sources. However, federated ECG classification remains challenging due to limited client-side samples, imbalanced arrhythmia labels, and non-independent and identically distributed (non-IID) data across clients. These constraints require classifiers that are both communication-efficient and robust to cross-client distribution shifts. In this work, we evaluate a hybrid quantum-inspired Kolmogorov-Arnold network (HQKAN) against a multilayer perceptron (MLP) for five-class arrhythmia classification on the MIT-BIH dataset and three-class classification on the INCART dataset under federated averaging (FedAvg). Across multiple client configurations, HQKAN improves most aggregate and minority-class metrics while using 37.35% fewer trainable parameters and reducing communication cost by 24.89% on MIT-BIH; on INCART, it achieves corresponding reductions of 44.81% and 36.41%. These results indicate that HQKAN offers a compact, communication-efficient and robust alternative to the MLP baseline for privacy-aware federated learning on biosignal data.
发表机构
- National Taiwan University（台湾大学）
- National Center for High-Performance Computing（国家高速计算机中心）
- National Institutes of Applied Research（应用研究院）
- Brookhaven National Laboratory（布鲁克海文国家实验室）
- Korea Advanced Institute of Science and Technology（韩国科学技术院）
- Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心）
- Harvard University（哈佛大学）
- National Yang Ming Chiao Tung University（国立阳明交通大学）
- National Center for Theoretical Sciences（国家理论科学中心）
机构由 AI 辅助整理，请以论文原文为准。
