在同行对同行联合学习中对联合策略进行基准测试 联合学习用于生物医学数据

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 数据 隐私 数据 隐私 数据

背景情况:

• 对数据保护和隐私的日益增长的需求推动了分布式AI的研究.
• 联合学习 (FL) 允许在分散的私人数据上进行协作模式培训.
• 传统的FL采用了具有联合平均值的集中架构.

研究的目的:

• 在同行环境中评估各种联合学习聚合策略.
• 确定用于联合学习的强大的聚合方法,考虑不同的数据大小.
• 使用生物医学数据集,比较拟议的策略与经典的联合平均值.

主要方法:

• 实施各种点对点联合学习聚合策略.
• 基于参与者贡献和数据因素的加权平均化技术的开发.
• 跨多个生物医学数据集进行实验测试,数据量多样化.

主要成果:

• 基于准确度的加权平均显示出高于联合平均的性能.
• 提出的策略在不同数据大小的数据中显示出强度.
• 联合学习模型通过优化聚合方法实现了更高的准确性.

结论:

• 基于准确度的加权平均是同行联合学习中更有效的聚合策略.
• 点对点联合学习为保护隐私的人工智能提供了对集中架构的可行替代方案.
• 优化的聚合方法对于提高敏感数据应用中的联合学习性能至关重要.