Fed-MStacking:异质联合学习与堆叠错位标签用于异常心脏声音检测

科学领域:

• 人工智能的人工智能
• 聪明的医疗保健 智能医疗保健
• 卫生事物的互联网 (IoHT)

背景情况:

• 在智能医疗保健中,无处不在的传感能够实现智能心脏声音听觉,但由于智能设备上的敏感数据,它引发了用户隐私问题.
• 联合学习 (FL) 通过在健康事物互联网 (IoHT) 中无需共享数据的去中心化学习来解决隐私问题.
• 传统的FL缺乏模型异质性和客户端个性化,因为它需要在客户端和服务器上统一的架构模型.

研究的目的:

• 为医疗机构的个性化客户模型提出Fed-MStacking,一种使用堆叠合体学习的异质FL框架.
• 解决本地客户端之间不一致的数据标签问题,每个客户端可能只有一个案例类型,无法共享数据.
• 通过汇总缺少的类信息和通过meta-learner构建FL培训的元数据来训练一个全球多类分类器.

主要方法:

• 开发了Fed-MStacking,这是一个异质的FL框架,包含堆叠集体学习.
• 实现了一个meta-learner来汇总缺乏的类信息从客户端与不一致的标签,创建FL的元数据.
• 使用随机森林 (RF),前神经网络 (FNN) 和卷积神经网络 (CNN) 作为多机构心声数据库的基础分类器.

主要成果:

• 在多机构心声分析中,Fed-MSstacking与同质堆叠相比表现优越.
• 该框架成功地支持客户构建个性化,异构的模型.
• 缺乏类信息的聚合使全球多类分类器的培训成为可能,尽管数据不一致.

结论:

• 在智能医疗保健应用程序 (如心声分析) 中,Fed-MStacking为保护隐私,个性化和异质联合学习提供了有效的解决方案.
• 拟议的方法通过利用堆叠集团学习和解决数据异质性和标签不一致性来提高模型性能.
• 该框架促进了FL在卫生事物互联网 (IoHT) 中的应用,用于多机构医疗数据分析.