道适应性和 Sparsity 个性化联合学习,用于智能医疗保健系统中的隐私保护

科学领域:

• 智能医疗保健系统 智能医疗系统
• 联邦学习学习 (Federated Learning) 是一种学习方式.
• 数据 隐私 数据 隐私 数据

背景情况:

• 联合学习 (FL) 对智能医疗保健系统 (SHS) 至关重要,通过培训模型而不是共享原始数据来保护用户隐私.
• 现有的FL方法往往无法平衡隐私保护和效率,这对SHS患者的健康至关重要.
• 模型培训效率的下降可能对医疗机构的患者护理产生严重后果.

研究的目的:

• 提出一个新的个性化联合学习 (FL) 框架,pFedCAS,旨在提高SHS的隐私保护和沟通效率.
• 为应对平衡严格隐私要求与医疗保健应用程序高效模型培训的需求所面临的挑战.
• 提高FL模型对非相同和独立分布的 (non-iid) 数据的稳定性.

主要方法:

• 开发了一个个性化的FL框架 (pFedCAS),包含一个适应性本地模型散散化的控制单元,以增强隐私.
• 在全球模型聚合过程中引入了一个选择单元,以优化对参数更新的客户端选择,提高培训效率.
• 在HAM10000数据集上验证了pFedCAS框架,在隐私,准确性,通信成本和稳定性方面评估了其性能.

主要成果:

• pFedCAS在医疗保健数据隐私保护方面取得了显著的改进.
• 与现有方法相比,训练准确度提高了15%.
• 通过优化沟通和自适应分散,通过通信质量指标验证,培训成本降低了30%.
• 在处理非相同且独立分布的 (non-iid) 数据时表现出卓越的稳定性.

结论:

• 拟议的pFedCAS框架有效地提高了智能医疗保健系统的联合学习中的隐私保护和通信效率.
• pFedCAS在隐私安全和培训效率之间提供了卓越的平衡,这对于时间敏感的医疗保健应用至关重要.
• 该框架对非iid数据的稳定性使其成为各种现实世界医疗保健场景的可靠解决方案.