在异构计算环境中利用 APPFLx 实现生物医学研究中的端到端安全联邦学习
分布式、并行与集群计算
2023-12-15 v1
摘要
在生物医学机器学习项目中促进大规模、跨机构合作，需要一个值得信赖且具有弹性的联邦学习（FL）环境，以确保受保护健康信息等敏感信息得到保密。在这项工作中，我们介绍了 APPFLx，这是一个低代码 FL 框架，能够轻松设置、配置和运行跨组织和行政边界的 FL 实验，同时提供安全的端到端通信、隐私保护功能和身份管理。APPFLx 完全独立于参与客户端的底层计算基础设施。我们通过两个案例研究展示了 APPFLx 作为易用框架的能力，它能够加速跨机构和医疗系统的生物医学研究，同时保护私人医疗数据：（1）从心电图（ECG）波形预测参与者年龄，以及（2）从胸部 X 光片检测 COVID-19 疾病。这些实验在异构计算资源（包括本地高性能计算和云计算的混合）上安全执行，突出了联邦学习在聚合来自多个医疗系统的数据时改善模型泛化能力和性能的作用。最后，我们证明 APPFLx 作为一个便捷易用的框架，能够在保护私人医疗数据的同时，加速跨机构和医疗系统的生物医学研究。
引用
@article{arxiv.2312.08701,
title = {Enabling End-to-End Secure Federated Learning in Biomedical Research on Heterogeneous Computing Environments with APPFLx},
author = {Trung-Hieu Hoang and Jordan Fuhrman and Ravi Madduri and Miao Li and Pranshu Chaturvedi and Zilinghan Li and Kibaek Kim and Minseok Ryu and Ryan Chard and E. A. Huerta and Maryellen Giger},
journal= {arXiv preprint arXiv:2312.08701},
year = {2023}
}