非独立同分布睡眠データにおける連合学習の分析

科学分野:

• 人工知能
• 機械学習
• 睡眠科学

背景:

• 集中型睡眠ステージングモデルは、機密性の高い患者データに関するプライバシーの問題に直面しています。
• 連合学習（FL）は、データの共有なしに複数のサイトでモデルをトレーニングするための分散型アプローチを提供します。
• 異種および非独立同分布（非IID）データは、実世界のアプリケーションにおけるFLにとって重大なハードルとなります。

研究 の 目的:

• 異種、非IID睡眠データに対する連合学習（FL）アルゴリズム（FedSGD、FedAvg、FedProx）の有効性を評価すること。
• モデルパフォーマンスに対するローカルトレーニングエポックと集計戦略の影響を評価すること。
• FLにおけるデータ不均衡を軽減し、一般化を改善するための一般化サブサンプリング戦略を導入および検証すること。

主な方法:

• ローカルトレーニングエポック（1、30）と集計スキーム（重み付け、重み付けなし）を評価する二層評価フレームワークを採用しました。
• クライアント間のデータ異種性とボリュームの不均衡に対処するために、一般化サブサンプリング戦略を導入しました。
• 堅牢な外部一般化のために、6つの独立した睡眠データベースと、データベース除外交差検証を使用しました。

主要な成果:

• ローカルトレーニングエポックの増加は、すべてのFLスキームでパフォーマンスに悪影響を及ぼし、クライアントドリフトを悪化させました。
• 重み付け集計よりも重み付け集計の方が優れており、クライアントの貢献の不均衡によるバイアスを示唆しています。
• 提案されたサブサンプリング戦略は最も効果的であり、一貫した一般化をもたらし、計算オーバーヘッドを削減しました。

結論:

• 連合学習（FL）は、データプライバシーを維持しながら、自動睡眠ステージングの集中型メソッドに匹敵するパフォーマンスを達成できます。
• 分散型トレーニング戦略は、マルチセンター睡眠研究におけるデータサイロを効果的に克服します。
• 開発されたサブサンプリング戦略は、臨床設定における堅牢で効率的なFL実装に不可欠です。