一种面向神经发育障碍的联邦学习方案：多方面ASD检测
图像与视频处理
2022-11-03 v1 分布式、并行与集群计算
机器学习
摘要
自闭症谱系障碍（ASD）是一种因出生前胚胎期大脑改变导致的神经发育综合征。该障碍以其患者特殊的社会受限与重复行为及特定行为特质为区分。因此，这可能恶化其于他人间的社交行为及在群体中的整体互动。此外，医学研究证明ASD亦影响患者面部特征，使该综合征可凭个体面部特异征象辨识。鉴于此为我们工作的动机，我们提出一种新颖的隐私保护联邦学习方案，基于个体行为与面部特征预测ASD，通过面部特征提取嵌入两类数据特征的融合过程，同时尊重患者数据隐私。在联邦机器学习模型上训练行为与面部图像数据后，取得可喜结果：联邦学习环境下依行为特质预测ASD准确率达70%，依患者面部图像预测ASD准确率达62%。随后我们在融合的行为与面部数据上测试常规及联邦ML的表现，常规逻辑回归模型准确率为65%，联邦学习模型为63%。
引用
@article{arxiv.2211.00643,
title = {A Federated Learning Scheme for Neuro-developmental Disorders: Multi-Aspect ASD Detection},
author = {Hala Shamseddine and Safa Otoum and Azzam Mourad},
journal= {arXiv preprint arXiv:2211.00643},
year = {2022}
}