FedHealth：面向可穿戴医疗的联邦迁移学习框架
机器学习
2021-05-12 v2 人工智能
神经与进化计算
摘要
随着计算技术的快速发展，智能手机和手环等可穿戴设备使得获取人们包括活动、睡眠、运动等在内的健康信息变得容易。智能医疗通过在大量用户数据上训练机器学习模型取得了巨大成功。然而，存在两个关键挑战。首先，用户数据常以孤岛形式存在，使得在不损害隐私安全的前提下难以进行聚合。其次，在云端训练的模型在个性化方面表现不佳。本文中，我们提出 FedHealth，首个面向可穿戴医疗的联邦迁移学习框架，以应对这些挑战。FedHealth 通过联邦学习进行数据聚合，随后通过迁移学习构建个性化模型。它能够在不妨碍隐私与安全的情况下实现准确且个性化的医疗。实验表明，与传统方法相比，FedHealth 在可穿戴活动识别上取得了更高的准确率（提升 5.3%）。FedHealth 具有通用性和可扩展性，有潜力用于许多医疗应用。
引用
@article{arxiv.1907.09173,
title = {FedHealth: A Federated Transfer Learning Framework for Wearable Healthcare},
author = {Yiqiang Chen and Jindong Wang and Chaohui Yu and Wen Gao and Xin Qin},
journal= {arXiv preprint arXiv:1907.09173},
year = {2021}
}
备注
IJCAI-19 Workshop on Federated Machine Learning for User Privacy and Data Confidentiality (IJCAI (FML)) 2019; fix typos; journal version: https://ieeexplore.ieee.org/document/9076082