对抗式联邦迁移学习分类器框架构建
机器学习
2022-11-10 v1 密码学与安全
定量方法
摘要
随着互联网日益普及，越来越多的分类任务（如物联网、金融业和医疗领域）依赖移动边缘计算来推进机器学习。然而在医疗行业，良好的诊断精度需要结合大量标注数据来训练模型，这些数据难以收集且成本高昂，并有泄露患者隐私的风险。本文提出一种新颖的医疗诊断框架，采用联邦学习平台，通过将标注域中获得的分类算法迁移到标注数据稀疏或缺失的域，以保障患者数据隐私。我们的框架不使用生成对抗网络，而是采用判别模型构建多个分类损失函数，旨在提高诊断精度。它还避免了收集大量标注数据的困难或生成大量样本数据的高成本。在真实世界图像数据集上的实验表明，所提出的对抗式联邦迁移学习方法在采用图像分类的实际医疗诊断应用中具有前景。
引用
@article{arxiv.2211.04734,
title = {Framework Construction of an Adversarial Federated Transfer Learning Classifier},
author = {Hang Yi and Tongxuan Bie and Tongjiang Yan},
journal= {arXiv preprint arXiv:2211.04734},
year = {2022}
}