面向来自分布式源水平划分数据的广义混合效应模型联邦学习算法
机器学习
2022-06-09 v2 机器学习
摘要
目标：本文开发了两种算法以实现联邦广义线性混合效应模型，并将所开发模型的输出结果相互比较，同时与标准 R 包（`lme4`）的结果进行比较。方法：GLMM 的对数似然函数通过两种数值方法（Laplace 近似和 Gaussian-Hermite 近似）进行近似，这支持了 GLMM 的联邦分解，从而将计算移至数据端。结果：我们开发的方法能够处理 GLMM，以在联邦设置下适应具有多个非独立观测层级的分层数据。实验结果证明，在模拟数据与真实世界数据上均表现出可比的（Laplace）与优越的（Gaussian-Hermite）性能。结论：我们开发并比较了具有不同近似方法的联邦 GLMM，这能够支持研究人员分析生物医学数据，以适应混合效应并解决由分层结构（即机构、地区、国家等）导致的非独立性问题。
引用
@article{arxiv.2109.14046,
title = {Federated Learning Algorithms for Generalized Mixed-effects Model (GLMM) on Horizontally Partitioned Data from Distributed Sources},
author = {Wentao Li and Jiayi Tong and Md. Monowar Anjum and Noman Mohammed and Yong Chen and Xiaoqian Jiang},
journal= {arXiv preprint arXiv:2109.14046},
year = {2022}
}
备注
19 pages, 5 figures, submitted to Journal of Biomedical Informatics