异构临床数据集上个性化联邦学习的综合视角
机器学习
2024-07-08 v3
摘要
联邦学习（FL）正日益被视为克服临床环境中频繁阻碍机器学习模型训练与部署的数据孤岛的关键途径。本工作沿三个重要方向推进了日益增多的、专门聚焦临床应用的 FL 研究。首先，我们扩展了 FLamby 基准（du Terrail 等人，2022a），纳入对个性化 FL 方法的综合评估，并展示了相较原始结果的实质性性能提升。其次，我们倡导一种面向 FL 的综合检查点与评估框架，以反映实际部署场景，并提供多种对比基线。为此，我们发布了一个旨在简化 FL 实验并提升可复现性的开源库。最后，我们对 PerFCL（Zhang 等人，2022）提出了一项重要消融。该消融导致了 FENDA（Kim 等人，2016）向 FL 场景的自然扩展。在 FLamby 基准和 GEMINI 数据集（Verma 等人，2017）上进行的实验表明，所提方法对异构临床数据具有鲁棒性，且常优于现有的全局与个性化 FL 技术，包括 PerFCL。
引用
@article{arxiv.2309.16825,
title = {A Comprehensive View of Personalized Federated Learning on Heterogeneous Clinical Datasets},
author = {Fatemeh Tavakoli and D. B. Emerson and Sana Ayromlou and John Jewell and Amrit Krishnan and Yuchong Zhang and Amol Verma and Fahad Razak},
journal= {arXiv preprint arXiv:2309.16825},
year = {2024}
}
备注
34 pages, 4 figures, 12 tables, 1 algorithm. The update includes a significant number of new experiments, a new format, and additional results