利用严肃游戏数据进行自闭症谱系障碍早期诊断的联邦异常检测
计算机与社会
2024-10-29 v1
摘要
自闭症谱系障碍（ASD）的早期识别被认为是有效干预以减轻情感、经济和社会负担的关键。尽管 ASD 属于无法治愈的神经发育障碍，但研究人员一致认为，童年时期的针对性干预可以显著改善个体的整体健康状况。然而，诸如筛查测试等传统的 ASD 检测方法通常成本高昂且耗时。由于获取相关任务真实标签的挑战，本研究提出了一种基于 AutoEncoder 的机器学习（ML）方法的新型半监督方法用于 ASD 检测。我们的方法利用了通过专门为此目的设计的严肃游戏手动收集的数据。由于游戏化应用收集的敏感数据容易遭受隐私泄露，我们开发了一种联邦学习（FL）框架，该框架能够在不损害 ML 模型整体性能的情况下增强用户隐私。该框架在模型聚合期间进一步结合了全同态加密（FHE），以最大程度地降低推理攻击的可能性，并采用客户端选择机制以及最先进的聚合器来提高模型的预测准确性。我们的结果表明，半监督联邦学习能够有效预测每个病例的 ASD 风险指标，同时解决隐私问题。
引用
@article{arxiv.2410.20003,
title = {Federated Anomaly Detection for Early-Stage Diagnosis of Autism Spectrum Disorders using Serious Game Data},
author = {Nikolaos Pavlidis and Vasileios Perifanis and Eleni Briola and Christos-Chrysanthos Nikolaidis and Eleftheria Katsiri and Pavlos S. Efraimidis and Despina Elisabeth Filippidou},
journal= {arXiv preprint arXiv:2410.20003},
year = {2024}
}