面向药物-靶点相互作用的联邦学习基准
机器学习
2023-10-19 v4 分布式、并行与集群计算
摘要
在药物-靶点相互作用(DTI)领域聚合制药数据有潜力带来挽救生命的突破。然而,由于监管限制和商业利益,这 notoriously 困难。本文提出联邦学习的应用,我们认为其与行业限制相兼容,因为它不需要共享任何会泄露实体数据或其任何高层摘要的信息。当在代表性的 GraphDTA 模型和 KIBA 数据集上使用时,相对于现有最佳的非隐私保护替代方案,其性能提升高达 15%。我们大量的实验表明,与其他领域不同,DTI 数据集中的非独立同分布(non-IID)数据分布并不会降低联邦学习(FL)性能。此外,我们识别出新增数据的收益与增加更多客户端的成本之间存在实质性权衡。
引用
@article{arxiv.2302.07684,
title = {A Federated Learning Benchmark for Drug-Target Interaction},
author = {Gianluca Mittone and Filip Svoboda and Marco Aldinucci and Nicholas D. Lane and Pietro Lio},
journal= {arXiv preprint arXiv:2302.07684},
year = {2023}
}
备注
This paper is the accepted version of ACM copyrighted material published at the WWW'23 conference