프라이버시 보호 연합 생체신호 학습을 위한 하이브리드 양자 영감 콜모고로프-아르놀트 네트워크

초록

심전도(ECG) 기록은 민감한 생체의학 데이터로서, 병원과 웨어러블 기기가 중앙 집중식 모델 훈련을 위해 원시 신호를 공유하는 데 제약이 따른다. 연합 학습은 원시 생체신호 데이터를 각각의 소스에 보관하면서 협력적 모델 훈련을 가능하게 함으로써 이러한 실질적인 개인정보 보호 제약을 해결한다. 그러나 연합 ECG 분류는 클라이언트 측 샘플의 제한, 불균형한 부정맥 레이블, 그리고 클라이언트 간 비독립동일분포(non-IID) 데이터로 인해 여전히 어려움이 있다. 이러한 제약 조건은 통신 효율성과 클라이언트 간 분포 이동에 대한 강건성을 모두 갖춘 분류기를 요구한다. 본 연구에서는 MIT-BIH 데이터셋에서의 5클래스 부정맥 분류와 INCART 데이터셋에서의 3클래스 분류에 대해 연합 평균(FedAvg) 방식 하에서 하이브리드 양자 영감 콜모고로프-아놀드 네트워크(HQKAN)와 다층 퍼셉트론(MLP)의 성능을 평가하였다. 여러 클라이언트 구성에서 HQKAN은 MIT-BIH 데이터셋에서 훈련 가능한 파라미터를 37.35% 적게 사용하고 통신 비용을 24.89% 절감하면서 대부분의 전체 및 소수 클래스 지표에서 우수한 성능을 보였다. INCART 데이터셋에서는 각각 44.81%와 36.41%의 절감 효과를 달성하였다. 이러한 결과는 HQKAN이 생체신호 데이터에 대한 개인정보 보호를 고려한 연합 학습에서 MLP 기준 모델 대비 컴팩트하고 통신 효율적이며 강건한 대안을 제공함을 시사한다.

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.