論文の概要: Hybrid Quantum-inspired Kolmogorov-Arnold Networks for Privacy-Aware Federated Biosignal Learning

• arxiv url: http://arxiv.org/abs/2608.13914v1
• Date: Fri, 14 Aug 2026 03:35:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.257877
• Title: Hybrid Quantum-inspired Kolmogorov-Arnold Networks for Privacy-Aware Federated Biosignal Learning
• Title（参考訳）: プライバシーに配慮した生物信号学習のためのハイブリッド量子インスパイアされたコルモゴロフ・アルノルドネットワーク
• Abstract要約: フェデレートラーニングは、生の生体信号データをそれぞれのソースに保持しながら、モデルトレーニングを可能にする。 本研究では,5クラス不整脈分類のための多層パーセプトロン(MLP)に対して,HQKAN(Hybrid quantum-inspired network)の評価を行った。 HQKANは、バイオ署名データに基づくプライバシーに配慮したフェデレーション学習のベースラインの、コンパクトで、通信効率が高く、堅牢な代替手段を提供する。
• 参考スコア（独自算出の注目度）: 11.888281480529528
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 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.
• Abstract（参考訳）: 心電図(ECG)記録は、病院やウェアラブル機器が集中モデルトレーニングのために生信号を共有する能力を制限する、敏感なバイオメディカルデータである。 フェデレーション学習は、生の生体信号データをそれぞれのソースに保持しながら、協調的なモデルトレーニングを可能にすることで、この実用的なプライバシ制約に対処する。 しかし、連合ECG分類は、クライアント側の限られたサンプル、不均衡な不整脈ラベル、非独立で同一の(非IID)データをクライアント間で分散しているため、依然として困難である。 これらの制約は、通信効率が高く、クロスクライアント分布シフトに頑健な分類器を必要とする。 本研究では,MIT-BIHデータセット上での5クラス不整脈分類と,連合平均化(FedAvg)下でのINCARTデータセット上での3クラス分類について,Multilayer Perceptron(MLP)に対するKolmogorov-Arnoldネットワーク(HQKAN)の評価を行った。 複数のクライアント構成全体にわたってHQKANは、トレーニング可能なパラメータを37.35%削減し、通信コストを24.89%削減し、多くの集約とマイノリティのメトリクスを改善し、INCARTでは44.81%と36.41%の削減を実現している。 これらの結果から、HQKANは、バイオシグナリデータに基づくプライバシーに配慮したフェデレーション学習のためのMLPベースラインの、コンパクトで、通信効率が高く、堅牢な代替手段を提供していることが示唆された。

関連論文リスト

• Modality-Decoupled Federated Learning for Privacy-Preserving Embodied Intelligence in 6G [90.42669277637026]
  第6世代(6G)無線ネットワークは、大規模なインボディードインテリジェンスのための重要な基盤を提供すると期待されている。 本稿では、6Gネットワークにおけるプライバシー保護型インテリジェンスのためのモダリティ分離FLフレームワークであるFedMVLAを提案する。
  論文  参考訳（メタデータ） (2026-09-09T01:36:44Z)
• CoMedBench: A Multi-Source Benchmark of Synthetic Medical Data Fidelity and Downstream Utility [0.0]
  コメドベンチ(CoMedBench)は、一般的な臨床的妥当性フレームワークの下で、ジェネレータのファミリーを評価する再現可能なベンチマークである。 このベンチマークは、実データおよび合成データ間でトレーニングおよびテストされたモデルを比較することにより、統計的忠実度とタスクユーティリティの両方を評価する。
  論文  参考訳（メタデータ） (2026-08-13T04:24:52Z)
• Generative Augmentation for EEG Motor Imagery Classification: A Class-Conditional VAE with Cycle-Consistent Decoder Refinement [2.3270574907955286]
  生成モデルが有用な人工運動画像(MI)の脳波検査(EEG)に有効かどうかを検討する。 本研究は,Zhouモータ画像データセットに潜在型分類器を組み込んだクラス条件変分オートエンコーダ(CVAE)を訓練する。 結果は、独立した拡張ドロー、ランダムな種(ユーザ内)、あるいはout-one-subject-out フォルダに集約される。
  論文  参考訳（メタデータ） (2026-07-22T12:16:16Z)
• Enhanced Privacy and Communication Efficiency in Non-IID Federated Learning with Adaptive Quantization and Differential Privacy [0.0]
  Federated Learning(FL)は、複数のデバイスが基盤となるデータを共有することなく、協調的にモデルをトレーニングする分散機械学習手法である。 FLの主な課題の1つは、接続速度とデバイス間の帯域幅の変化によって引き起こされる通信ボトルネックである。 我々は、差分プライバシー(DP)と適応量子化法を組み合わせて、プライバシーと通信効率の両方に対処する。
  論文  参考訳（メタデータ） (2026-04-25T19:43:05Z)
• Key-Embedded Privacy for Decentralized AI in Biomedical Omics [43.072683741556126]
  本稿では,Implicit Neural Representation に基づく軽量なフェデレーション学習手法 INFL を提案する。 INFLは、実用性を維持しながら、強力な制御可能なプライバシを実現し、下流の科学および臨床応用のためのユーティリティを保存する。
  論文  参考訳（メタデータ） (2026-03-30T12:04:50Z)
• ANML: Attribution-Native Machine Learning with Guaranteed Robustness [0.0]
  トレーニングサンプルを4つの品質要因で重み付けするフレームワークであるANMLを紹介します。 ANMLは勾配のみのベースラインよりも33～72%のエラー低減を実現している。 コントリビュータレベルの属性は、サンプルレベルのメソッドよりも1.3-5.3倍向上する。
  論文  参考訳（メタデータ） (2026-02-12T08:12:30Z)
• FedBiCross: A Bi-Level Optimization Framework to Tackle Non-IID Challenges in Data-Free One-Shot Federated Learning on Medical Data [17.89045564472333]
  FedBiCross はパーソナライズされた OSFL フレームワークであり,(1) モデル出力の類似性によるクラスタリングクライアントのコヒーレントなサブアンサンブル,(2) 双方向クラスタ最適化,(3) クライアント固有の適応のためのパーソナライズされた蒸留,の3段階からなる。 4つの医療画像データセットの実験により、FedBiCrossは、非IID度の異なる最先端のベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2026-01-05T08:46:11Z)
• Unbiased Max-Min Embedding Classification for Transductive Few-Shot Learning: Clustering and Classification Are All You Need [83.10178754323955]
  わずかなショットラーニングにより、モデルがいくつかのラベル付き例から一般化できる。 本稿では,Unbiased Max-Min Embedding Classification (UMMEC)法を提案する。 本手法は最小ラベル付きデータを用いて分類性能を著しく向上させ, 注釈付きLの最先端化を推し進める。
  論文  参考訳（メタデータ） (2025-03-28T07:23:07Z)
• Interaction-Aware Gaussian Weighting for Clustered Federated Learning [58.92159838586751]
  フェデレートラーニング(FL)は、プライバシを維持しながらモデルをトレーニングするための分散パラダイムとして登場した。 本稿では,新たなクラスタリングFL法であるFedGWC(Federated Gaussian Weighting Clustering)を提案する。 ベンチマークデータセットを用いた実験により,FedGWCはクラスタの品質と分類精度において,既存のFLアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-02-05T16:33:36Z)
• FedDBL: Communication and Data Efficient Federated Deep-Broad Learning for Histopathological Tissue Classification [65.7405397206767]
  本稿では,FedDBL(Federated Deep-Broad Learning)を提案する。 FedDBLは1ラウンドの通信と限られたトレーニングサンプルで競合相手をはるかに上回り、マルチラウンドの通信で同等のパフォーマンスを達成している。 異なるクライアント間でのデータやディープモデルを共有しないため、プライバシ問題は十分に解決されており、モデルのセキュリティはモデル反転攻撃のリスクなしに保証される。
  論文  参考訳（メタデータ） (2023-02-24T14:27:41Z)
• Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction [76.26710990597498]
  本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。 我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。 特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
  論文  参考訳（メタデータ） (2022-09-30T05:42:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。