FADL：面向分布式电子健康记录的联邦-自主深度学习
计算机与社会
2018-12-04 v2 机器学习
摘要
电子健康记录（EHR）数据由各个机构收集，通常分散存储于不同位置的孤岛中。由于安全、隐私、监管与运营问题，获取这些数据困难且缓慢。我们利用来自 58 家不同医院的 ICU 数据表明，使用分布式机器学习策略，无需将健康数据移出孤岛即可高效训练预测患者死亡率的机器学习模型。我们提出一种称为联邦-自主深度学习（FADL）的新方法，以分布式方式使用所有数据源训练模型的一部分，并使用特定数据源的数据训练其他部分。我们观察到 FADL 优于传统联邦学习策略，并得出结论：全局与局部训练之间的平衡是设计分布式机器学习方法（尤其在医疗领域）时需考虑的重要因素。
引用
@article{arxiv.1811.11400,
title = {FADL:Federated-Autonomous Deep Learning for Distributed Electronic Health Record},
author = {Dianbo Liu and Timothy Miller and Raheel Sayeed and Kenneth D. Mandl},
journal= {arXiv preprint arXiv:1811.11400},
year = {2018}
}
备注
Machine Learning for Health (ML4H) Workshop at NeurIPS 2018 arXiv:cs/0101200