联邦学习：医学应用中的问题
机器学习
2021-09-02 v1 人工智能
摘要
自谷歌于 2017 年提出联邦学习（其使得无需在本地移动数据即可进行 AI 学习）以来，它特别是在医学领域得到了积极研究。事实上，AI 中不从本地客户端收集数据而进行机器学习的想法极具吸引力，因为数据保留在本地站点。然而，由于其自身特性（如非独立同分布、客户端参与管理以及脆弱环境），联邦学习技术仍存在各种开放问题。在本报告中，将简要概述使联邦学习在现实世界中完美有用所面临的当前问题。它们涉及数据/系统异构性、客户端管理、可追溯性和安全性。此外，我们介绍了当前正在开发的模块化联邦学习框架，以实验各种技术与协议来寻找上述问题的解决方案。该框架将在开发完成后向公众开放。
引用
@article{arxiv.2109.00202,
title = {Federated Learning: Issues in Medical Application},
author = {Joo Hun Yoo and Hyejun Jeong and Jaehyeok Lee and Tai-Myoung Chung},
journal= {arXiv preprint arXiv:2109.00202},
year = {2021}
}
备注
20 pages, 3 figures, 1 table, submitted to FDSE2021