FedER：基于经验回放与隐私保护数据生成的联邦学习
机器学习
2023-02-23 v3 人工智能
摘要
在医学领域，常寻求多中心协作，以利用患者与临床数据的异质性得出更具泛化性的发现。然而，近期的隐私法规阻碍了数据共享的可能，进而阻碍了提出支持诊断与预后的基于机器学习的解决方案。联邦学习（FL）旨在规避这一限制，将基于 AI 的解决方案带给数据拥有者，仅共享本地 AI 模型或其部分，随后再进行聚合。然而，现有多数联邦学习方案仍处于起步阶段并存在若干缺陷，从缺乏能够保留本地所学知识的可靠且有效的聚合方案，到因模型更新可能重构真实数据而导致的弱隐私保护。此外，这些方法中的大多数，尤其是处理医学数据的方法，依赖于集中式分布式学习策略，带来了鲁棒性、可扩展性与信任问题。本文提出一种联邦且去中心化的学习策略 FedER，其利用经验回放与生成对抗概念，有效整合来自本地节点的特征，在保持隐私的同时提供能够跨多个数据集泛化的模型。FedER 在两个任务——结核病与黑色素瘤分类——上使用多个数据集进行了测试，以模拟现实的非独立同分布（non-i.i.d.）医学数据场景。结果表明，我们的方法取得了与标准（非联邦）学习相当的性能，并显著优于其集中式（因而更有利的）表述下的最先进联邦方法。代码见 https://github.com/perceivelab/FedER
引用
@article{arxiv.2206.10048,
title = {FedER: Federated Learning through Experience Replay and Privacy-Preserving Data Synthesis},
author = {Matteo Pennisi and Federica Proietto Salanitri and Giovanni Bellitto and Bruno Casella and Marco Aldinucci and Simone Palazzo and Concetto Spampinato},
journal= {arXiv preprint arXiv:2206.10048},
year = {2023}
}