FedNI：基于网络修复与联邦图学习的群体疾病预测
机器学习
2022-07-19 v3 社会与信息网络
摘要
图卷积神经网络（GCNs）被广泛用于图分析。具体而言，在医学应用中，GCNs 可用于群体图上的疾病预测，其中图节点表示个体，边表示个体间的相似性。然而，GCNs 依赖大量数据，这对单一医疗机构而言难以收集。此外，大多数医疗机构持续面临的关键挑战是，在信息不完整的情况下孤立地进行疾病预测。为解决这些问题，联邦学习（FL）允许孤立的本地机构在不共享数据的情况下协作训练全局模型。本工作中，我们提出了一个框架 FedNI，通过 FL 利用网络修复和机构间数据。具体而言，我们首先使用图生成对抗网络（GAN）联邦训练缺失节点和边预测器，以补全本地网络的缺失信息。然后，我们使用联邦图学习平台跨机构训练全局 GCN 节点分类器。这一新颖设计使我们能够通过利用联邦学习和图学习方法构建更精确的机器学习模型。我们证明，在两个公开神经影像数据集上，我们的联邦模型以显著优势优于本地和基线 FL 方法。
引用
@article{arxiv.2112.10166,
title = {FedNI: Federated Graph Learning with Network Inpainting for Population-Based Disease Prediction},
author = {Liang Peng and Nan Wang and Nicha Dvornek and Xiaofeng Zhu and Xiaoxiao Li},
journal= {arXiv preprint arXiv:2112.10166},
year = {2022}
}