CL3：面向超联合环境中确保医疗数据隐私的协作学习框架
机器学习
2024-10-18 v2
摘要
在超联合环境中，医疗机构在共享和传输敏感患者信息时尤为关注数据隐私，因为存在数据泄露的风险，恶意行为者可能截获敏感信息。协作学习框架（包括迁移学习、联邦学习和增量学习）可以生成高效、安全且可扩展的模型，同时需要较少的计算资源，保持患者数据隐私，并确保模型保持最新。本研究旨在通过提出的协作学习框架CL3来解决新冠肺炎（COVID-19）检测问题，该框架利用胸部X光图像。首先，采用迁移学习，利用预训练模型的知识作为全局模型的初始值。随后集成来自不同医疗机构的局部模型，并构建新的全局模型以适应观察到的局部模型中的数据漂移。此外，考虑增量学习，允许在不遗忘先前学习信息的前提下持续适应新的医疗数据。实验结果表明，CL3框架在使用Xception模型、批量大小为16后进行六轮联邦通信训练时，实现了89.99%的全局准确率。CL3框架的演示可访问 https://github.com/zavidparvez/CL3-Collaborative-Approach 以确保可重复性。
引用
@article{arxiv.2410.07900,
title = {CL3: A Collaborative Learning Framework for the Medical Data Ensuring Data Privacy in the Hyperconnected Environment},
author = {Mohamamd Zavid Parvez and Rafiqul Islam and Md Zahidul Islam},
journal= {arXiv preprint arXiv:2410.07900},
year = {2024}
}