BACSA：一种面向无线医疗网络中隐私保护联邦学习的偏差感知客户端选择算法
机器学习
2024-11-05 v1 人工智能
密码学与安全
摘要
联邦学习（FL）已成为医疗领域的变革性方法，能够在分散数据源上协作训练模型的同时保护用户隐私。然而，由于参与客户端之间固有的非独立同分布（non-IID）数据偏差，FL 的性能在实际场景中迅速退化，给模型准确率与泛化能力带来重大挑战。因此，我们提出了偏差感知客户端选择算法（BACSA），该算法能够检测用户偏差并根据其偏差特征进行策略性选择。此外，所提算法考虑了隐私保护、公平性以及无线网络环境的约束，使其适用于服务质量（QoS）、隐私与安全性至关重要的敏感医疗应用。我们的方法首先通过分析模型参数并将其与类别特定数据样本的分布相关联，提出了一种新颖的用户偏差检测方法。随后，我们利用检测到的偏差以及无线网络约束，构建了一个混合整数非线性客户端选择问题，以优化 FL 性能。我们通过在不同数据分布（包括 Dirichlet 分布和类别约束场景）上的评估，证明 BACSA 在收敛速度和准确率方面优于现有基准。此外，我们探讨了准确率、公平性与网络约束之间的权衡，表明 BACSA 具备适应性和鲁棒性，能够应对多样化的医疗应用。
引用
@article{arxiv.2411.01050,
title = {BACSA: A Bias-Aware Client Selection Algorithm for Privacy-Preserving Federated Learning in Wireless Healthcare Networks},
author = {Sushilkumar Yadav and Irem Bor-Yaliniz},
journal= {arXiv preprint arXiv:2411.01050},
year = {2024}
}