基于分布式机器学习的隐私保护目标检测与定位：以婴儿眨眼条件反射为例
摘要
由于隐私、计算可扩展性和带宽能力，分布式机器学习正成为一种流行的模型训练方法。在这项工作中，我们探索了目标检测中两种常用算法的可扩展分布式训练版本。针对基于方向梯度直方图（HOG）的线性支持向量机（L-SVM）目标检测，提出了一种使用均值权重矩阵聚合（MWMA）的新型分布式训练算法。此外，针对集成回归树（ERT）地标定位的分布式训练，提出了一种新颖的加权箱聚合（WBA）算法。两种算法都不限制模型聚合的位置，并允许自定义的模型分布架构。本工作探讨了两种算法的基于池的本地训练与聚合（PBLTA）架构。利用心理学和神经科学领域的范式——婴儿眨眼条件反射——考察了这两种算法在医学领域的应用，其中需要在保护参与者隐私的同时在面部图像上训练模型。使用分布式学习，可以在不将图像数据发送到其他节点的情况下训练模型。自定义软件已在 GitHub 上公开供公众使用：https://github.com/SLWZwaard/DMT。结果表明，使用 MWMA 对 HOG 算法模型进行聚合不仅保持了模型的准确性，而且相比传统学习实现了 0.9% 的精度提升的分布式学习。此外，与传统单节点模型相比，WBA 实现了 ERT 模型聚合且精度提升 8%。
引用
@article{arxiv.2010.07259,
title = {Privacy-Preserving Object Detection & Localization Using Distributed Machine Learning: A Case Study of Infant Eyeblink Conditioning},
author = {Stefan Zwaard and Henk-Jan Boele and Hani Alers and Christos Strydis and Casey Lew-Williams and Zaid Al-Ars},
journal= {arXiv preprint arXiv:2010.07259},
year = {2020}
}
备注
This is a preprint version of "Privacy-Preserving Object Detection & Localization Using Distributed Machine Learning: A Case Study of Infant Eyeblink Conditioning". This work consists of 12 pages including refs and, 4 tables and 7 figures