面向不完美数据的联邦远程生理测量
计算机视觉与模式识别
2022-03-14 v1 机器学习
图像与视频处理
摘要
人口老龄化与 COVID-19 疫情正急剧凸显对支持远程医疗技术的日益增长的需求。在健康相关的机器学习应用中，无需数据离开私有设备即可学习预测模型颇具吸引力，尤其是当这些数据可能包含使个体识别轻而易举的特征（例如身体照片或视频）和/或训练数据量庞大（例如未压缩视频）时。基于摄像头的远程生理感知可实现可扩展且低成本的测量，但它是涉及分析含可识别图像与敏感健康信息的高码率视频任务的典型例子。联邦学习实现了隐私保护的去中心化训练，其若干特性有益于基于摄像头的感知。我们开发了首个移动联邦学习摄像头感知系统，并表明其性能可与传统最先进的监督方法相竞争。然而，在少数设备存在 corrupted 数据（例如视频或标签噪声）时，权重平均的性能迅速下降。为此，我们利用视频内预期噪声分布的知识，在服务器端智能调整模型权重的平均方式。我们的结果表明，即使在低信噪比下，这也显著提升了模型的鲁棒性。
引用
@article{arxiv.2203.05759,
title = {Federated Remote Physiological Measurement with Imperfect Data},
author = {Xin Liu and Mingchuan Zhang and Ziheng Jiang and Shwetak Patel and Daniel McDuff},
journal= {arXiv preprint arXiv:2203.05759},
year = {2022}
}