面向不完整模态的时序医疗感知联邦学习
机器学习
2024-11-28 v2
摘要
许多医疗感知应用利用来自嵌入在移动和可穿戴设备中的传感器的多模态时序数据。联邦学习（Federated Learning, FL）凭借其隐私保护优势，特别适合于医疗应用。然而，大多数多模态联邦学习方法都假设本地训练可获得完整的模态数据，这在现实中往往不切实际。此外，最近解决不完整模态问题的方法在模态数量增加时规模效应差，效率低下。为此，我们提出了 FLISM（FL with incomplete sensing modalities），一种在保持高精度的同时处理不完整感知模态的高效联邦学习训练算法。FLISM 采用三项关键技术：（1）模态不变表征学习，以从模态集合多样化的客户端中提取有效特征；（2）模态质量感知聚合，以优先来自高质量模态数据的客户端的贡献；（3）全局对齐知识蒸馏，以减少因模态差异导致的本地更新偏移。在真实数据集上的大量实验表明，FLISM 不仅实现了高精度，而且在处理联邦学习中不完整模态问题时，比当前主流方法更快且更高效。我们将代码作为开源项目发布于 https://github.com/AdibaOrz/FLISM。
引用
@article{arxiv.2405.11828,
title = {Federated Learning for Time-Series Healthcare Sensing with Incomplete Modalities},
author = {Adiba Orzikulova and Jaehyun Kwak and Jaemin Shin and Sung-Ju Lee},
journal= {arXiv preprint arXiv:2405.11828},
year = {2024}
}