基于联邦学习的高效SARS-CoV-2刺突序列分类
机器学习
2023-11-10 v2
摘要
本文提出一种联邦学习（FL）方法来训练用于SARS-CoV-2变异株分类的AI模型。我们以分布式方式分析SARS-CoV-2刺突序列，无需数据共享，以检测这种快速突变冠状病毒的不同变异株。我们的方法保持了本地数据（可能存储在不同位置）的机密性，同时使我们能够可靠地检测和识别新型冠状病毒SARS-CoV-2的不同已知和未知变异株。使用所提方法，我们在冠状病毒变异株识别任务上达到了93%的总体准确率。我们还提供了所提模型如何遵循联邦学习主要法则的细节，例如数据所有权法则、数据隐私法则、模型聚合法则和模型异构性法则。由于所提模型是分布式的，它可以轻松扩展到“大数据”。我们计划利用这一概念验证来实现隐私保护的疫情响应策略。
引用
@article{arxiv.2302.08688,
title = {Efficient Classification of SARS-CoV-2 Spike Sequences Using Federated Learning},
author = {Prakash Chourasia and Taslim Murad and Zahra Tayebi and Sarwan Ali and Imdad Ullah Khan and Murray Patterson},
journal= {arXiv preprint arXiv:2302.08688},
year = {2023}
}
备注
10 pages, 7 figures, Accepted at 10th International Conference on Information Management and Big Data (SIMBig 2023)