面向临床预测的私有且可解释的量子灵感张量列模型
机器学习
2026-02-09 v1 密码学与安全
量子物理
摘要
临床环境中的机器学习必须在预测准确性、可解释性和隐私之间进行平衡。Logistic 回归（LR）等模型提供透明度，而神经网络（NN）则提供更大的预测能力；但两者都面临隐私攻击。我们通过设计能够识别在不同水平的对抗性访问下，所使用的公开数据集是否曾用于训练模型的攻击，对 LORIS（一个用于预测免疫疗法反应的公开 LR 模型）以及针 for 相同任务训练的其他浅层 NN 模型进行了风险评估。我们的结果表明，这两个模型都会泄露显著的训练集信息，其中 LR 在白盒情景中尤其脆弱。此外，我们观察到诸如 LR 中的交叉验证等常见做法会加剧这些风险。为缓解这些漏洞，我们提出一种基于量子灵感的防御措施，即将离散化模型张量化为张量列（tensor train, TT），该方法在保持准确性的同时完全遮蔽参数，将白盒攻击降至随机猜测，并使黑盒攻击的效果相当于差分隐私。TT 模型保留 LR 的可解释性，并通过高效计算边际分布和条件分布加强可解释性，同时也为 NN 提供更高层次的可解释性。我们的结果表明，张量化在广泛的应用场景中都适用，并为构建私有、可解释且有效的临床预测提供了实际基础。
引用
@article{arxiv.2602.06110,
title = {Private and interpretable clinical prediction with quantum-inspired tensor train models},
author = {José Ramón Pareja Monturiol and Juliette Sinnott and Roger G. Melko and Mohammad Kohandel},
journal= {arXiv preprint arXiv:2602.06110},
year = {2026}
}
备注
21 pages, 5 figures, 9 tables. The code for the experiments is publicly available at https://github.com/joserapa98/tns4loris