通用电子健康记录联邦学习框架
机器学习
2022-11-15 v1
摘要
联邦学习（FL）是电子健康记录（EHR）最实用的多源学习方法。尽管其有隐私保护保证，FL 的广泛应用受到两大挑战的限制：异构的 EHR 系统，以及非独立同分布（non-i.i.d.）的数据特性。近期一项研究提出了统一异构 EHR 的框架，名为 UniHPF。我们试图通过结合 UniHPF 与 FL 同时应对这两大挑战。我们的研究是将异构 EHR 统一到单一 FL 框架中的首例方法。该组合相比本地学习平均带来 3.4% 的性能提升。我们相信我们的框架在现实世界 FL 中具有实际适用性。
引用
@article{arxiv.2211.07300,
title = {Universal EHR Federated Learning Framework},
author = {Junu Kim and Kyunghoon Hur and Seongjun Yang and Edward Choi},
journal= {arXiv preprint arXiv:2211.07300},
year = {2022}
}
备注
Extended Abstract presented at Machine Learning for Health (ML4H) symposium 2022, November 28th, 2022, New Orleans, United States & Virtual, http://www.ml4h.cc, 6 pages