ハイブリッド量子インスパイア・コルモゴロフ＝アーノルドネットワークによるプライバシー考慮型フェデレーテッド生体信号学習

要旨

心電図（ECG）記録はセンシティブな生体医用データであり、病院やウェアラブルデバイスが集中型モデル学習のために生の信号を共有することは制約される。フェデレーテッドラーニングは、生の生体信号データをそれぞれの発生源に保持したまま協調的なモデル学習を可能にすることで、この実際的なプライバシー制約に対処する。しかしながら、クライアント側のサンプル数の限界、不均衡な不整脈ラベル、クライアント間の非独立同分布（non-IID）データにより、フェデレーテッドECG分類は依然として困難である。これらの制約は、通信効率に優れ、クライアント間の分布シフトに対して頑健な分類器を必要とする。本研究では、フェデレーテッド・アベレージング（FedAvg）の下で、MIT-BIHデータセットに対する5クラス不整脈分類およびINCARTデータセットに対する3クラス分類において、ハイブリッド量子インスパイア・コルモゴロフ-アーノルドネットワーク（HQKAN）を多層パーセプトロン（MLP）と比較評価する。複数のクライアント構成にわたり、HQKANは、MIT-BIHでは学習可能パラメータを37.35％削減し、通信コストを24.89％削減しながら、ほとんどの全体指標および少数クラス指標を改善する。INCARTでは、それぞれ44.81％および36.41％の対応する削減を達成する。これらの結果は、HQKANが、生体信号データに対するプライバシー配慮型フェデレーテッドラーニングにおいて、MLPベースラインに代わるコンパクトで通信効率に優れた頑健な選択肢を提供することを示している。

English

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.