基于去中心化块坐标下降的个性化设备端电子健康分析
机器学习
2021-12-20 v1 分布式、并行与集群计算
摘要
在个人医疗关注度上升与疫情驱动下，电子健康（E-health）的普及率正快速增长。如今，通过机器学习模型增强医疗诊断已在电子健康分析的诸多方面高度有效。然而，在经典的基于云/集中式电子健康范式中，所有数据将被集中存储于服务器以方便模型训练，这不可避免地引发隐私担忧与高时延。诸如去中心化随机梯度下降（D-SGD）等分布式方案被提出，以基于个人设备提供安全且及时的诊断结果。但此类方法如 D-SGD 存在梯度消失问题，且通常在训练早期阶段进展缓慢，从而妨碍训练的有效性与效率。此外，现有方法易学到偏向数据密集用户的模型，损害了为少数群体提供电子健康分析时的公平性。本文提出一种去中心化块坐标下降（D-BCD）学习框架，能更好地优化分散在去中心化设备上的基于深度神经网络的模型以用于电子健康分析。在三个真实世界数据集上的基准实验表明了我们所提 D-BCD 的有效性与实用性，附加的仿真研究展示了 D-BCD 在真实电子健康场景中的强适用性。
引用
@article{arxiv.2112.09341,
title = {Personalized On-Device E-health Analytics with Decentralized Block Coordinate Descent},
author = {Guanhua Ye and Hongzhi Yin and Tong Chen and Miao Xu and Quoc Viet Hung Nguyen and Jiangning Song},
journal= {arXiv preprint arXiv:2112.09341},
year = {2021}
}