用于非侵入式脑电波解码的架构无关深度隐私保护迁移学习 Sandwich 元框架
信号处理
2024-05-14 v2
摘要
机器学习提升了解码指示人类行为的信号的性能。脑电图（EEG）解码作为非侵入式指示神经活动和人类思想的典型代表，在神经活动分析和通过脑机接口辅助患者方面发挥了重要作用。然而，在 EEG 上训练机器学习算法面临两个主要挑战：数据集之间的差异以及使用来自个人和数据中心数据的隐私问题。我们的目标是通过将解决数据差异的迁移学习和解决数据隐私的联邦学习整合到一个统一的方法中来解决这些挑战。我们引入了 Sandwich 作为一种结合迁移学习和联邦学习的全新深度隐私保护元框架。Sandwich 框架包含三个组件：在输入层处理数据集差异的联邦网络（第一层），学习通用规则并应用迁移学习的共享网络（中间层），以及用于每个数据集特定任务的独立分类器（最后一层）。它使中央网络（中央服务器）能够从多个数据集中受益，而本地分支（本地服务器）保持数据和标签隐私。我们使用 BEETL 运动想象挑战赛（一个异构 EEG 数据集的基准）在各种配置下评估了 Sandwich 元架构。与基线模型相比，我们的 Sandwich 实现表现出更优越的性能。表现最佳的模型，即带有深度集对齐的 Inception Sandwich（Inception-SD-Deepset），比基线方法高出 9%。Sandwich 框架在面向多样化任务和数据集的联邦深度迁移学习方面展示了显著的进步。它优于传统的深度学习方法，展示了作为模型无关元框架在增强隐私下有效利用更大、异构数据集的潜力。
引用
@article{arxiv.2404.06868,
title = {The Sandwich meta-framework for architecture agnostic deep privacy-preserving transfer learning for non-invasive brainwave decoding},
author = {Xiaoxi Wei and Jyotindra Narayan and A. Aldo Faisal},
journal= {arXiv preprint arXiv:2404.06868},
year = {2024}
}