在非洲普及人工智能：面向低资源边缘设备的联邦学习
机器学习
2024-09-02 v1
摘要
由于基础设施有限且难以获取先进医疗技术，非洲在医疗服务方面面临重大挑战。本研究探讨了利用联邦学习克服这些障碍的方法，重点关注围产期健康。我们使用来自五个非洲国家（阿尔及利亚、加纳、埃及、马拉维和乌干达）的围产期数据以及来自西班牙医院的数据，训练了一个胎儿平面分类器。为了在分析中纳入计算资源缺乏的因素，我们考虑了一组异构设备（包括 Raspberry Pi 和多台笔记本电脑）进行模型训练。我们证明，尽管存在计算限制，联邦模型与集中式模型表现出相当的性能，并且与仅在本地训练的模型相比，模型泛化能力有显著提升。这些结果表明，未来大规模实施联邦学习平台具有潜力，能够以极低的资源要求弥合可及性差距并提升模型泛化能力。
引用
@article{arxiv.2408.17216,
title = {Democratizing AI in Africa: FL for Low-Resource Edge Devices},
author = {Jorge Fabila and Víctor M. Campello and Carlos Martín-Isla and Johnes Obungoloch and Kinyera Leo and Amodoi Ronald and Karim Lekadir},
journal= {arXiv preprint arXiv:2408.17216},
year = {2024}
}