基于动态融合的联邦学习用于COVID-19检测
分布式、并行与集群计算
2020-10-27 v4 机器学习
摘要
使用机器学习的医学诊断图像分析（例如 CT 或 X 光）是一种高效且准确的检测 COVID-19 感染的方法。然而，由于对患者隐私的担忧，通常不允许跨医疗机构共享诊断图像。这导致了用于训练图像分类模型的数据集不足的问题。联邦学习是一种新兴的隐私保护机器学习范式，它基于客户端训练得到的本地模型所接收的更新来产生无偏全局模型，而无需交换客户端的本地数据。然而，联邦学习的默认设置引入了传输模型更新的巨大通信成本，并且在客户端数据高度异构时难以保证模型性能。为提高通信效率与模型性能，本文中我们提出一种新颖的基于动态融合的联邦学习方法用于医学诊断图像分析以检测 COVID-19 感染。首先，我们设计了用于分析医学诊断图像的动态融合联邦学习系统架构。进一步，我们提出一种动态融合方法，根据本地模型性能动态决定参与客户端，并基于参与客户端的训练时间调度模型融合。此外，我们总结了一类用于 COVID-19 检测的医学诊断图像数据集，机器学习界可将其用于图像分析。评估结果表明，所提方法可行，并且在模型性能、通信效率与容错性方面优于联邦学习的默认设置。
引用
@article{arxiv.2009.10401,
title = {Dynamic Fusion based Federated Learning for COVID-19 Detection},
author = {Weishan Zhang and Tao Zhou and Qinghua Lu and Xiao Wang and Chunsheng Zhu and Haoyun Sun and Zhipeng Wang and Sin Kit Lo and Fei-Yue Wang},
journal= {arXiv preprint arXiv:2009.10401},
year = {2020}
}