基于聚类的个性化联邦学习：非独立同分布心率变异性数据应用

尽管机器学习技术因其在大型数据集中发现复杂关系的卓越能力而被应用于各个领域，但数据所有权和隐私相关法规的加强正导致其应用于医疗数据的难度日益增加。有鉴于此，联邦学习近来被提出作为一种在不违反保密性的情况下训练私有数据的解决方案。这种隐私保护在医疗领域尤其具有吸引力，因为患者数据高度机密。然而，许多研究表明，其独立同分布（IID）数据的假设对于医疗数据是不现实的。在本文中，我们提出 Personalized Federated Cluster Models，一种基于层次聚类的联邦学习过程，用于从心率变异性预测重度抑郁障碍严重程度。通过允许客户端接收更个性化的模型，我们解决了由非 IID 数据引起的问题，显示出严重程度预测准确率的提升。这种性能提升可能足以在许多现有联邦学习场景中使用 Personalized Federated Cluster Models。