FedHealth 2：基于批归一化的加权联邦迁移学习用于个性化医疗
机器学习
2021-07-22 v2 人工智能
摘要
机器学习应用的成功往往需要大量数据。近年来，由于对数据隐私和安全的需求，尤其是医疗领域，联邦学习（FL）正受到越来越多的关注。然而，当客户端之间存在域偏移时，现有 FL 方法的性能往往会下降，且以往很少有工作关注医疗中的个性化。在本文中，我们提出 FedHealth 2，作为 FedHealth \cite{chen2020fedhealth} 的扩展，以解决域偏移问题并为本地客户端获得个性化模型。FedHealth 2 通过预训练模型获取客户端相似度，然后在保留本地批归一化的前提下对所有加权模型取平均。可穿戴活动识别和 COVID-19 辅助诊断实验评估表明，FedHealth 2 能够在不损害隐私和安全的情况下实现更好的准确率（活动识别提升 10% 以上）和个性化医疗。
引用
@article{arxiv.2106.01009,
title = {FedHealth 2: Weighted Federated Transfer Learning via Batch Normalization for Personalized Healthcare},
author = {Yiqiang Chen and Wang Lu and Jindong Wang and Xin Qin},
journal= {arXiv preprint arXiv:2106.01009},
year = {2021}
}
备注
Accepted by IJCAI-21 workshop on federated learning