BrainTorrent：一种用于去中心化联邦学习的点对点环境
机器学习
2019-05-17 v1 机器学习
摘要
获取足够的标注数据是训练医学图像深度神经网络的常见挑战。由于标注数据昂贵且耗时，单个医疗中心难以达到足够大的样本量来构建其自身的个性化模型。作为替代，可汇集所有中心的数据以训练一个所有人都能使用的集中式模型。然而，由于医学数据的隐私敏感性，此类策略通常不可行。近来，联邦学习（FL）被引入以跨中心协作学习共享预测模型而无需共享数据。在 FL 中，客户端在站点特定数据集上本地训练模型数个轮次，然后将其模型权重与中央服务器共享，由后者协调整体训练过程。重要的是，模型共享不损害患者隐私。FL 的缺点是对中央服务器的依赖，这要求所有客户端就一个可信中央机构达成一致，且其故障会中断所有客户端的训练过程。在本文中，我们介绍 BrainTorrent，一种无中央服务器的新型 FL 框架，特别面向医学应用。BrainTorrent 呈现高度动态的点对点环境，其中所有中心直接相互交互而不依赖中央机构。我们展示了 FL 对于全脑分割这一挑战性任务的整体有效性，并观察到所提出的无服务器 BrainTorrent 方法不仅优于传统的基于服务器的方法，而且达到与在汇集数据上训练的模型相似的性能。
引用
@article{arxiv.1905.06731,
title = {BrainTorrent: A Peer-to-Peer Environment for Decentralized Federated Learning},
author = {Abhijit Guha Roy and Shayan Siddiqui and Sebastian Pölsterl and Nassir Navab and Christian Wachinger},
journal= {arXiv preprint arXiv:1905.06731},
year = {2019}
}