联邦块项张量回归用于医疗去中心化数据分析
机器学习
2024-12-11 v1
摘要
块项张量回归（BTTR）已被证明是一种强大的工具，可通过利用多线性关系来建模复杂的高维数据，特别适用于医疗和神经科学应用。然而，传统的 BTTR 实现依赖集中式数据集，这带来了严重的隐私风险并阻碍了机构间的合作。为解决这些挑战，我们提出了联邦块项张量回归（FBTTR），这是 BTTR 面向联邦学习场景的扩展。FBTTR 使去中心化数据分析成为可能，允许机构在保护数据隐私和遵守法规的同时协作构建预测模型。FBTTR 是将张量回归应用于联邦学习环境的重要一步。其性能在两个案例研究中得到了评估：从皮层脑电图（ECoG）信号解码手指运动以及心脏病预测。在第一个案例研究中，使用 BCI Competition IV 数据集，FBTTR 优于非多线性模型，在解码手指运动方面表现出更优的准确性。对于该数据集，受试者 3 的拇指获得了 0.76 ± 0.05 的性能，而集中式 BTTR 为 0.71 ± 0.05。在第二个案例研究中，FBTTR 应用于使用真实临床数据集预测心脏病，优于标准联邦学习方法以及集中式 BTTR 模型。在 Fed-Heart-Disease 数据集中，获得了 0.872 ± 0.02 的 AUC-ROC 和 0.772 ± 0.02 的准确率，而集中式模型分别为 0.812 ± 0.003 和 0.753 ± 0.007。
引用
@article{arxiv.2412.06815,
title = {Federated Block-Term Tensor Regression for decentralised data analysis in healthcare},
author = {Axel Faes and Ashkan Pirmani and Yves Moreau and Liesbet M. Peeters},
journal= {arXiv preprint arXiv:2412.06815},
year = {2024}
}