用于临床数据不平衡分类的隐私保护联邦贝叶斯生成模型学习
机器学习
2020-09-01 v3 机器学习
摘要
在临床研究中，感兴趣事件的缺乏常常需要不平衡学习。解决这一障碍的一种方法是数据整合或共享，但由于隐私问题，两者均不切实际。因此，对能够在联邦环境中进行分析同时保持隐私的平台需求日益增长。然而，开发能够同时解决隐私保护和不平衡类别问题的联邦学习算法颇具挑战。在本研究中，我们引入了一个联邦生成模型学习平台，用于在分布式数据环境中生成样本同时保护隐私。我们具体提出了一种基于近似贝叶斯计算的高斯混合模型，称为“联邦 ABC-GMM”，它可以通过以隐私保护方式估计跨机构的模型参数后验分布来对少数类进行过采样。使用用于预测重症监护病房（ICU）患者死亡率的数据集 PhysioNet2012 来验证所提方法的性能。实验结果表明，我们的方法在 F1 分数方面将分类性能提升至接近理想情形。相信所提方法可作为解决类别不平衡问题的新替代方案。
引用
@article{arxiv.1910.08489,
title = {Privacy-preserving Federated Bayesian Learning of a Generative Model for Imbalanced Classification of Clinical Data},
author = {Seok-Ju Hahn and Junghye Lee},
journal= {arXiv preprint arXiv:1910.08489},
year = {2020}
}
备注
10 pages, 3 figures, 3 tables