基于模仿学习在智能健康应用中共享模型而非数据
机器学习
2019-12-25 v1 机器学习
摘要
电子健康记录（EHR）系统包含大量关于患者的医疗信息。这些数据可用于训练能够预测健康状况以及帮助预防未来疾病或残疾的机器学习模型。然而，获取患者的医疗数据以得到训练良好的机器学习模型是一项具有挑战性的任务。这是因为由于患者隐私问题，大多数国家的法律禁止共享患者的医疗记录。在本文中，我们通过使用模仿学习（mimic learning）方法共享模型而非原始敏感数据来解决此问题。其思想是首先在原始敏感数据上训练一个模型，称为教师模型。然后，利用该模型，我们可以将其知识迁移到另一个模型（称为学生模型），而无需学习用于训练教师模型的原始数据。随后，学生模型被共享给公众，并可用于进行准确预测。为了评估模仿学习方法，我们使用不同的医疗数据集对方案进行了评估。结果表明，学生模型在预测准确性方面模仿了教师模型的性能，且无需访问患者的原始数据记录。
引用
@article{arxiv.1912.11210,
title = {On Sharing Models Instead of Data using Mimic learning for Smart Health Applications},
author = {Mohamed Baza and Andrew Salazar and Mohamed Mahmoud and Mohamed Abdallah and Kemal Akkaya},
journal= {arXiv preprint arXiv:1912.11210},
year = {2019}
}
备注
This paper is accepted in IEEE International Conference on Informatics, IoT, and Enabling Technologies (ICIoT'20)