FLOP：基于部分网络的医疗数据集联邦学习
机器学习
2021-06-24 v2 计算机视觉与模式识别
摘要
由新型冠状病毒引起的 COVID-19 疾病的爆发已造成医疗资源短缺。为了辅助并加速诊断过程，通过深度学习模型自动诊断 COVID-19 近来已被世界各地的研究人员探索。尽管已开发不同的数据驱动深度学习模型来缓解 COVID-19 的诊断，但由于患者隐私问题，数据本身仍然稀缺。联邦学习（FL）是一个自然的解决方案，因为它允许不同组织在不共享原始数据的情况下协作学习有效的深度学习模型。然而，近期研究表明 FL 仍缺乏隐私保护并可能导致数据泄露。我们通过提出一种简单而有效的算法来解决这一挑战性问题，命名为 \textbf{F}ederated \textbf{L}earning \textbf{o}n Medical Datasets using \textbf{P}artial Networks（FLOP，基于部分网络的医疗数据集联邦学习），该算法在服务器与客户端之间仅共享部分模型。在基准数据和真实世界医疗任务上的大量实验表明，我们的方法在降低隐私与安全风险的同时取得了相当或更好的性能。特别令人感兴趣的是，我们在 COVID-19 数据集上进行实验，发现我们的 FLOP 算法可以让不同医院在不共享本地患者数据的情况下协作且有效地训练部分共享模型。
引用
@article{arxiv.2102.05218,
title = {FLOP: Federated Learning on Medical Datasets using Partial Networks},
author = {Qian Yang and Jianyi Zhang and Weituo Hao and Gregory Spell and Lawrence Carin},
journal= {arXiv preprint arXiv:2102.05218},
year = {2021}
}
备注
To appear in KDD 2021