HHHFL：用于脑电图的分层异构横向联邦学习
信号处理
2020-09-14 v3 人工智能
摘要
脑电图（EEG）分类技术已广泛用于人类行为与情绪识别任务。但由于数据可能因受试者而异、同一受试者随时间变化以及可能具有异构性，这仍是一个具有挑战性的问题。近年来，日益增长的隐私保护需求给该任务带来了新挑战。先前研究未关注 EEG 数据的异构性以及隐私约束。为弥补这一不足，本文提出一种异构联邦学习方法，在异构 EEG 数据上训练机器学习模型，同时保护各方的数据隐私。为验证方法有效性，我们在由不同设备采集的异构数据组成的真实世界 EEG 数据集上进行了实验。我们的方法在各项任务上均取得了一致的性能提升。
引用
@article{arxiv.1909.05784,
title = {HHHFL: Hierarchical Heterogeneous Horizontal Federated Learning for Electroencephalography},
author = {Dashan Gao and Ce Ju and Xiguang Wei and Yang Liu and Tianjian Chen and Qiang Yang},
journal= {arXiv preprint arXiv:1909.05784},
year = {2020}
}
备注
5 pages, 6 figures, Accepted for International Workshop on Federated Machine Learning for User Privacy and Data Confidentiality in Conjunction with IJCAI 2019 (FL-IJCAI'2019)