面向健康老龄化应用的联邦学习早期流失预测
机器学习
2023-09-11 v1 人工智能
分布式、并行与集群计算
摘要
提供社会照护应用对老年人改善生活质量至关重要，并使运营方能够及早干预。在健康老龄化应用中准确预测用户流失十分关键，因其直接关系到个体健康状况。机器学习（ML）算法已实现高准确度预测，优于难以应对个体模式的传统统计方法。然而，ML需要大量训练数据，由于存在个人可识别信息（PII）及法规造成的碎片化，这颇具挑战。本文提出一种联邦机器学习（FML）方法，在最小化隐私担忧并实现分布式训练的同时，不传输个体数据。我们通过考虑FML下的个体与组织进行协作训练，建模了跨设备与跨孤岛学习场景。我们的方法在一个具有客户端间非独立同分布（non-iid）数据、类别不平衡与标签模糊的真实世界数据集上评估。结果表明，数据选择与类别不平衡处理技术显著提升了FML下训练模型的预测精度，展现出与传统ML模型相当或更优的预测性能。
引用
@article{arxiv.2309.04311,
title = {Federated Learning for Early Dropout Prediction on Healthy Ageing Applications},
author = {Christos Chrysanthos Nikolaidis and Vasileios Perifanis and Nikolaos Pavlidis and Pavlos S. Efraimidis},
journal= {arXiv preprint arXiv:2309.04311},
year = {2023}
}