针对分布式神经成像数据的高效联合学习

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 数据科学数据科学数据科学

背景情况:

• 神经成像研究越来越多地涉及数据共享,但由于隐私和问责问题,机构数据控制限制了合作.
• 现有的数据分析方法通常需要集中敏感数据集,这带来了重大的后勤和道德挑战.

研究的目的:

• 提出一种新的去中心化稀疏联合学习 (FL) 策略,用于分析没有直接数据传输的合并神经成像数据集.
• 解决大规模科学研究中需要高效且保护隐私的协作分析的需求.

主要方法:

• 实施了分散的稀疏联合学习 (FL) 战略,专注于稀疏模型的本地培训.
• 强调客户端站点之间选择性共享模型参数,以减少通信开销.
• 利用模型稀疏度来优化通信效率,特别是在较大的模型和异质计算环境中.

主要成果:

• 与传统的FL方法相比,拟议的稀疏FL策略显著降低了通信开销.
• 该方法在分析大型分布式数据集方面表现出有效性,正如青少年大脑认知发展 (ABCD) 数据集所示.
• 该方法具有可扩展性,并且可以适应不同研究地点的不同资源能力.

结论:

• 分散的稀疏联合学习为协作神经成像研究提供了有效的解决方案,同时保护数据隐私并减少通信负担.
• 这种方法促进了对大型多机构数据集的分析,推动了神经科学领域的发展.
• 该战略对未来的合作研究倡议具有前景,需要安全和高效的数据分析.