面向边缘设备的联邦少样本咳嗽分类
机器学习
2023-09-06 v1 声音
音频与语音处理
摘要
自动分类咳嗽声音是呼吸系统疾病诊断与治疗中最关键的任务之一。然而，收集大量标注咳嗽数据集颇具挑战，主要源于高昂的人工成本、数据稀缺及隐私问题。本文旨在开发一种即便在海量咳嗽数据不可得时仍能高效完成咳嗽分类、同时兼顾隐私保护的框架。具体而言，我们形式化了一个新问题以应对这些挑战，并采用少样本学习（few-shot learning）与联邦学习（federated learning）设计了一种新颖框架 F2LCough 来求解该新问题。我们在 COVID-19 Thermal Face & Cough 数据集上展示了本方法相对于其他方法的优越性，其中 F2LCough 取得了 86% 的平均 F1 分数。结果表明，少样本学习与联邦学习相结合构建咳嗽声音分类模型具备可行性。这一新方法能够在数据稀缺情形下对咳嗽声音分类并维持隐私特性。本工作成果可作为构建咳嗽相关疾病检测与诊断支持系统的基础框架。
引用
@article{arxiv.2309.01076,
title = {Federated Few-shot Learning for Cough Classification with Edge Devices},
author = {Ngan Dao Hoang and Dat Tran-Anh and Manh Luong and Cong Tran and Cuong Pham},
journal= {arXiv preprint arXiv:2309.01076},
year = {2023}
}
备注
21 pages, 5 figures