面向去中心化医疗网络的高效通信广义张量分解

张量分解已被证明是一种高效的用于健康数据分析的无监督学习方法，特别是在计算表型分析中，该方法将包含患者医疗操作、用药、诊断、实验室检测等历史记录的高维电子健康记录（EHRs）转化为有意义且可解释的医疗概念。联邦张量分解在中心服务器协调下将张量计算分布到多个工作节点，从而能够在保护患者信息隐私的同时跨多家医院联合学习表型。然而，现有联邦张量分解算法因引入中心服务器而存在单点故障问题，不仅易遭受外部攻击，而且在受限上行带宽下限制了与服务器共享信息的客户端数量。本文提出 CiderTF，一种通信高效的去中心化广义张量分解方法，通过针对广义张量分解设计的四级通信缩减策略降低上行通信成本，该广义张量分解具有使用多种损失函数对不同张量分布建模的灵活性。在两个真实世界 EHR 数据集上的实验表明，CiderTF 在通信缩减高达 99.99% 的情况下取得了可比较的收敛性。