KACQ-DCNN: Uncertainty-Aware Interpretable Kolmogorov-Arnold Classical-Quantum Dual-Channel Neural Network for Heart Disease Detection

要約

心不全は世界的な死亡率の主な原因であり、診断戦略の改善が必要です。
従来の機械学習モデルは、高次元データ、クラスの不均衡、貧弱な特徴表現、解釈可能性の欠如などの課題に直面しています。
量子機械学習は有望ですが、現在のハイブリッド モデルは量子の利点を十分に活用できていません。
この論文では、従来の多層パーセプトロンをコルモゴロフ-アーノルド ネットワーク (KAN) に置き換え、学習可能な一変量活性化関数を可能にする新しいハイブリッド アーキテクチャであるコルモゴロフ-アーノルド古典量子デュアルチャネル ニューラル ネットワーク (KACQ-DCNN) を提案します。
当社の KACQ-DCNN 4 量子ビット、1 層モデルは、16 の古典ニューラル ネットワークと 12 の量子ニューラル ネットワークを含む 37 のベンチマーク モデルを上回り、精度 92.03%、マクロ平均精度、再現率、および F1 スコア 92.00% を達成しました。
また、有意性閾値 0.0056 (ボンフェローニ補正後) の対応のある t 検定によって検証されたように、ROC-AUC 94.77% を達成し、他のモデルを大幅に上回りました。
アブレーション研究では、古典量子統合の相乗効果が強調され、MLP バリアントと比べてパフォーマンスが約 2% 向上します。
さらに、LIME および SHAP の説明可能性技術により特徴の解釈可能性が向上し、等角予測により堅牢な不確実性の定量化が実現します。
私たちの結果は、KACQ-DCNN が高い精度と解釈可能性および不確実性の定量化を組み合わせることで心臓血管診断を向上させることを示しています。

要約(オリジナル)

Heart failure is a leading cause of global mortality, necessitating improved diagnostic strategies. Classical machine learning models struggle with challenges such as high-dimensional data, class imbalances, poor feature representations, and lack of interpretability. While quantum machine learning holds promise, current hybrid models have not fully exploited quantum advantages. In this paper, we propose the Kolmogorov-Arnold Classical-Quantum Dual-Channel Neural Network (KACQ-DCNN), a novel hybrid architecture that replaces traditional multilayer perceptrons with Kolmogorov-Arnold Networks (KANs), enabling learnable univariate activation functions. Our KACQ-DCNN 4-qubit, 1-layer model outperforms 37 benchmark models, including 16 classical and 12 quantum neural networks, achieving an accuracy of 92.03%, with macro-average precision, recall, and F1 scores of 92.00%. It also achieved a ROC-AUC of 94.77%, surpassing other models by significant margins, as validated by paired t-tests with a significance threshold of 0.0056 (after Bonferroni correction). Ablation studies highlight the synergistic effect of classical-quantum integration, improving performance by about 2% over MLP variants. Additionally, LIME and SHAP explainability techniques enhance feature interpretability, while conformal prediction provides robust uncertainty quantification. Our results demonstrate that KACQ-DCNN improves cardiovascular diagnostics by combining high accuracy with interpretability and uncertainty quantification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google