arXiv cs.AI· Nhat-Long Nguyen, Viet-Loi Dinh, Trong-Nghia Pham·· 1 天前AI 评分24
KQML-Liver：结合 Kolmogorov-Arnold 网络的可解释混合量子机器学习用于肝病分类
KQML-Liver: Interpretable Hybrid Quantum Machine Learning with Kolmogorov-Arnold Networks for Liver Disease Classification
AI 导读
KQML-Liver 提出一种融合量子机器学习与 Kolmogorov-Arnold 网络（KAN）的混合框架，用于肝病分类。该架构将参数化量子电路与 KAN 函数映射结合，在防止数据泄漏的严格预处理下于印度肝病患者数据集（ILPD）上取得 82% 分类准确率和 100% 召回率，优于现有基线并提升临床预测透明度。
正文 · AI 翻译
摘要：肝病仍是全球重大健康问题，凸显了对可靠且可及的早期检测方法的需求。尽管近期机器学习、深度学习和量子机器学习（QML）的进展带来了有前景的诊断工具，但许多方法存在可解释性有限的问题，并且由于数据泄漏或过于简单的评估协议而导致性能虚高。这些限制降低了它们在实际临床实践中的可靠性。本文提出 KQML-Liver，一个将 QML 与 Kolmogorov-Arnold 网络（KAN）相结合以提升预测性能和可解释性的混合框架。该架构将用于表达性特征表示的参数化量子电路与基于 KAN 的函数映射相结合，以可解释的方式捕捉非线性关系。在严格的预处理协议下于印度肝病患者数据集（ILPD）上评估，该协议可防止数据泄漏，所提出的模型实现了 82% 的分类准确率和 100% 的召回率，检测出所有阳性病例，优于现有基线，同时提高了临床预测的透明度。这些结果表明，混合 KAN-量子架构为可解释的 AI 辅助医学诊断提供了一个有前景的方向。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.15241 [cs.LG] |
| （或 arXiv:2611.15241v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.15241 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Long Nguyen Nhat [查看电子邮件]
[v1]
2026年11月11日星期三 09:31:35 UTC（3,487 KB）
来源：arXiv cs.AI · arxiv.org