LoAdaBoost：基于损失的 AdaBoost 联邦机器学习及其在 IID 与非 IID 重症监护数据上计算复杂度的降低
机器学习
2020-08-13 v4 机器学习
摘要
重症监护数据对于改善医疗护理、政策制定及许多其他用途具有价值。大量此类数据存储在不同位置、许多不同设备上以及不同的数据孤岛中。由于监管、运营和安全原因，在不同来源之间共享数据是一大挑战。一个潜在的解决方案是联邦机器学习，该方法将机器学习算法同时发送到所有数据源，在每个源中训练模型并聚合学习到的模型。该策略无需移动数据即可利用有价值的数据。应用联邦机器学习的一个挑战是来自不同来源的数据分布可能不同。为应对此问题，我们提出了一种名为 LoAdaBoost 的自适应提升方法，提高了联邦机器学习的效率。利用来自医院的重症监护单元数据，我们研究了在 IID 和非 IID 数据分布场景下的学习性能，并表明所提出的 LoAdaBoost 方法比基线方法以更低的计算复杂度实现了更高的预测准确率。
引用
@article{arxiv.1811.12629,
title = {LoAdaBoost: loss-based AdaBoost federated machine learning with reduced computational complexity on IID and non-IID intensive care data},
author = {Li Huang and Yifeng Yin and Zeng Fu and Shifa Zhang and Hao Deng and Dianbo Liu},
journal= {arXiv preprint arXiv:1811.12629},
year = {2020}
}