面向稀疏医疗时间序列预测的异构性联邦学习系统
机器学习
2025-01-22 v1
摘要
本文提出一种用于医疗领域稀疏时间序列预测的异构性联邦学习 (HFL) 系统，这是一种具有异构传输能力的去中心化联邦学习算法。我们设计稠密和稀疏特征张量以处理数据源的稀疏性。异构性联邦学习通过共享网络的非同步部分并选择合适的模型进行知识传递来实现。实验结果表明，在八个预测任务中，所提出的 HFL 相较于所有基准系统 achieving 最低的预测误差，MSE 分别降低了 94.8%、48.3% 和 52.1%。这些结果表明 HFL 在从异构领域传递知识方面尤其在目标域较小的情况下效果显著。随后进行的消融研究进一步证明了在保持隐私、模型安全和异构知识传递的前提下，所设计的用于异构域选择和切换的有效机制在预测医疗时间序列方面的有效性。
引用
@article{arxiv.2501.12125,
title = {Heterogeneous Federated Learning System for Sparse Healthcare Time-Series Prediction},
author = {Jia-Hao Syu and Jerry Chun-Wei Lin},
journal= {arXiv preprint arXiv:2501.12125},
year = {2025}
}