联邦集群多领域学习,用于健康监测

科学领域:

• 医疗保健技术 技术 医疗保健 技术
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 可穿戴的物联网 (WIoT) 和人工智能 (AI) 提供个性化的医疗保健,但面临着集中数据的隐私问题.
• 联合学习 (FL) 允许在不共享原始数据的情况下进行协作模式培训,从而减轻隐私问题.
• 数据异质性,特别是客户内部的变化,显著降低了FL的性能,这是一个经常被忽视的领域.

研究的目的:

• 提出一种新的联合学习算法,以解决医疗保健应用中的客户内部数据异质性.
• 提高联合学习系统的性能,以使用可穿戴设备进行个性化患者护理.
• 在现实世界的压力水平预测场景中评估拟议的算法的有效性.

主要方法:

• 开发了一个联合的集群多域学习算法,集成ClusterGAN,多域学习和图形神经网络.
• 专注于在联合学习框架内减轻客户内部数据变化.
• 将算法应用于使用可穿戴传感器数据的压力水平预测案例研究.

主要成果:

• 与两种最先进的方法相比,提出的算法显示出更高的性能.
• 在压力水平预测方面,精度提高了4.4%,F1得分提高了0.06.
• 通过对其单个模块变体的分析,进一步验证了算法的有效性.

结论:

• 新型联合学习方法有效地解决了WIoT医疗保健中的客户内部数据异质性.
• 拟议的方法为保护隐私的个性化患者监测和分析提供了一个有希望的解决方案.
• 未来的工作可以探索这种联合学习策略的进一步改进和应用.