面向私有医疗数据集成与分析的联邦多视图学习
人工智能
2021-05-05 v1 机器学习
摘要
随着信息技术的快速扩张与健康数据数字化的推进,在获取医疗领域收益的同时维护数据隐私日益受到关注。我们识别出两个关键挑战:首先,医疗数据天然分布于多个本地站点,使得在不泄露数据的情况下集体训练机器学习模型十分困难。其次,在医疗应用中,数据常来自不同来源与视图,导致需调和的异质性与复杂性。本文旨在提供一种通用的联邦多视图学习(FedMV)框架用于多视图数据防泄露,其基于不同类型的本地数据可用性,并能适应两类问题:纵向联邦多视图学习(V-FedMV)与横向联邦多视图学习(H-FedMV)。我们使用BiAffect研究中收集的真实键盘数据进行实验。结果表明,所提FedMV方法能以隐私保护方式充分利用多视图数据,且V-FedMV与H-FedMV方法均优于其单视图与成对对应方法。此外,所提模型可轻松适配处理联邦环境下的多视图序列数据,对此已建模并实验研究。据我们所知,该框架是首个在多视图设定中同时考虑纵向与横向多样化及其序列联邦学习的框架。
引用
@article{arxiv.2105.01603,
title = {Federated Multi-View Learning for Private Medical Data Integration and Analysis},
author = {Sicong Che and Hao Peng and Lichao Sun and Yong Chen and Lifang He},
journal= {arXiv preprint arXiv:2105.01603},
year = {2021}
}
备注
22 pages, 6 figures, journal