面向分布式医院电子健康档案数据的联邦不确定性感知学习
机器学习
2019-10-29 v1 人工智能
机器学习
摘要
近期工作表明，将机器学习应用于电子健康档案（EHR）可大幅加速精准医疗。这需基于多样的 EHR 来源开发模型。联邦学习（FL）已支持利用分布式训练进行预测建模，从而免除了共享数据与泄露隐私的需要。由于模型在 FL 中呈分布式，设计亦能评估模型不确定性的深度神经网络集成颇具吸引力。我们提出一种称为联邦不确定性感知学习算法（FUALA）的新 FL 模型，在 EHR 场景下改进了联邦平均（FedAvg）。FUALA 以两种方式嵌入不确定性信息：它在聚合模型中降低高不确定性模型的贡献；它还在预测时通过保留每家医院最终轮的末层来实现模型集成。在 FUALA 中，联邦方（中心节点）在每轮将平均模型发送给所有医院，并随机指定一家医院的模型更新以估计其在该院自身数据上的泛化性。每家医院回传其模型更新以及所指派模型的泛化估计。预测时，模型对每个样本输出 C 个预测，其中 C 为医院模型数。在一项包含 87K 次分娩、用于早产预测任务的队列上的实验分析表明，所提方法在分布外数据评估时优于 FedAvg。我们阐释了如何利用所提方法度量不确定性。
引用
@article{arxiv.1910.12191,
title = {Federated Uncertainty-Aware Learning for Distributed Hospital EHR Data},
author = {Sabri Boughorbel and Fethi Jarray and Neethu Venugopal and Shabir Moosa and Haithum Elhadi and Michel Makhlouf},
journal= {arXiv preprint arXiv:1910.12191},
year = {2019}
}
备注
Machine Learning for Health (ML4H) at NeurIPS 2019 - Extended Abstract