通过完全去中心化联邦学习学习电子健康记录
机器学习
2019-12-11 v2 神经与进化计算
机器学习
摘要
联邦学习因其在星形网络分布式训练问题中的高通信效率而开辟了诸多研究机会。在本文中,我们致力于提升图上完全去中心化联邦学习的通信效率,该算法执行若干次局部更新后启用节点间通信。以此方式,可在不损失解的最优性的前提下显著节省交换公共关注参数的通信轮次。基于大规模真实世界电子健康记录数据库的多个数值模拟展示了去中心化联邦学习相较于经典方法的优越性。
引用
@article{arxiv.1912.01792,
title = {Learn Electronic Health Records by Fully Decentralized Federated Learning},
author = {Songtao Lu and Yawen Zhang and Yunlong Wang and Christina Mack},
journal= {arXiv preprint arXiv:1912.01792},
year = {2019}
}