面向罕见病预测的基于特征上下文的联邦元学习
机器学习
2021-12-30 v1 分布式、并行与集群计算
摘要
全球有数百万患者罹患罕见病。然而，罕见病的样本远少于常见病。此外，由于医疗数据的敏感性，医院通常以保护隐私为由不愿共享患者信息进行数据融合。这些挑战使得传统AI模型难以提取罕见病特征以进行疾病预测。本文中，我们提出一种基于联邦元学习的罕见病预测新方法以克服该局限。为提高罕见病预测精度，我们设计了一种基于注意力的元学习（ATML）方法，根据基学习器的实测训练效果动态调整对不同任务的注意力。此外，提出了一种基于动态权重的融合策略以进一步提升联邦学习的精度，该策略根据各本地模型的精度动态选择客户端。实验表明，在少至五样本（five shots）的情况下，我们的方法在精度和速度上均优于原始联邦元学习算法。与各医院本地模型相比，所提模型的平均预测精度提升了13.28%。
引用
@article{arxiv.2112.14364,
title = {Feature-context driven Federated Meta-Learning for Rare Disease Prediction},
author = {Bingyang Chen and Tao Chen and Xingjie Zeng and Weishan Zhang and Qinghua Lu and Zhaoxiang Hou and Jiehan Zhou and Sumi Helal},
journal= {arXiv preprint arXiv:2112.14364},
year = {2021}
}