Pondicherry University

2 篇关联报道

订阅更新

researchsquare.com 2026年11月10日
混合量子医疗模型有了双层解释：8维语义精确归因，噪声下剪掉CNOT还涨点
混合量子—经典医疗模型能给出预测，却说不清决策来自哪些语义因素、哪些量子门。FQXAI把输入压到8维代理监督语义瓶颈，用高斯模糊隶属度生成IF–THEN理由，并在全部256个语义组合上精确计算Shapley值，省去蒙特卡洛采样。在MIT-BIH心律失常、PneumoniaMNIST与PathMNIST上，模型准确率分别为0.890、0.768、0.726；5%去极化噪声下按SVQX剪枝把CNOT从14降到11、12、10，准确率分别提高2.20、1.74、1.51个百分点。
混合量子—经典医疗模型能给出预测，却说不清决策来自哪些语义因素、哪些量子门。FQXAI把输入压到8维代理监督语义瓶颈，用高斯模糊隶属度生成IF–THEN理由，并在全部256个语义组合上精确计算Shapley值，省去蒙特卡洛采样。在MIT-BIH心律失常、PneumoniaMNIST与PathMNIST上，模型准确率分别为0.890、0.768、0.726；5%去极化噪声下按SVQX剪枝把CNOT从14降到11、12、10，准确率分别提高2.20、1.74、1.51个百分点。
Pondicherry University
Ankit Raj（第一作者、通讯作者）
FQXAI模糊量子可解释性框架量子机器学习可解释人工智能 SHAP特征归因概念瓶颈模型
Natural Sciences and Applied Technology 2026年9月30日
模糊排序特征选择加H2O AutoML集成，在两个公开宫颈癌数据集上取得最高95.1%准确率与98.1% AUC
该工作提出可解释的 Fuzzy Rank-H2O AutoML 框架，用模糊排序特征选择（FRFS）综合统计显著性、信息增益、临床重要性与不确定性挑选预测因子，再由 H2O AutoML 自动构建集成模型，并用 SHAP 与 LIME 提供全局与患者级解释；在两个公开宫颈癌数据集上以分层五折交叉验证评估，每折仅对训练集施加 SMOTE 以避免信息泄漏，报告的最高准确率为 95.1%、AUC 为 98.1%，优于传统机器学习模型与基线 H2O AutoML 框架。
该工作提出可解释的 Fuzzy Rank-H2O AutoML 框架，用模糊排序特征选择（FRFS）综合统计显著性、信息增益、临床重要性与不确定性挑选预测因子，再由 H2O AutoML 自动构建集成模型，并用 SHAP 与 LIME 提供全局与患者级解释；在两个公开宫颈癌数据集上以分层五折交叉验证评估，每折仅对训练集施加 SMOTE 以避免信息泄漏，报告的最高准确率为 95.1%、AUC 为 98.1%，优于传统机器学习模型与基线 H2O AutoML 框架。
Pondicherry University
Saranya Aranganathan（第一作者）
Cervical Cancer and HPV Research Endometrial and Cervical Cancer Treatments AI in cancer detection

已读完全部报道

混合量子医疗模型有了双层解释：8维语义精确归因，噪声下剪掉CNOT还涨点

模糊排序特征选择加H2O AutoML集成，在两个公开宫颈癌数据集上取得最高95.1%准确率与98.1% AUC