差异化私人客户选择和资源分配在联邦学习医疗应用使用图形神经网络的医学应用
Sotirios C Messinis1, Nicholas E Protonotarios2, Nikolaos Doulamis1
1Institute of Communication and Computer Systems, National Technical University of Athens, 15773 Athens, Greece.
Sensors (Basel, Switzerland)
|August 29, 2024
概括
这项研究介绍了DPS-GAT,一种使用图表注意网络和差异隐私的联合学习 (FL) 方法,用于安全的医疗AI. 它提高了模型的准确性和效率,同时保护了患者数据.
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:
- 联合学习 (FL) 能够实现去中心化的模型培训,这对于医疗数据隐私至关重要.
- 医疗应用在佛罗里达州面临数据异质性和通信限制的挑战.
研究的目的:
- 提出DPS-GAT,一种新的FL方法,将图形注意力网络 (GAT) 与差异隐私集成在一起.
- 为了优化客户选择和资源分配在FL医疗应用.
- 为了提高模型的稳定性,通用性和隐私保护.
主要方法:
- 整合图形神经网络 (GNN) 来建模客户关系.
- 实施差异化的私人客户选择和资源分配.
- 使用雷根斯堡儿科尾炎开放数据集进行实验验证.
主要成果:
- 与传统的FL方法相比,DPS-GAT显示出更高的准确性,隐私和资源效率.
- 该方法在FL轮和隐私预算中保持了稳定的客户选择.
- 在强大的隐私保证和高模型性能之间取得了平衡.
结论:
- 在医疗应用中,DPS-GAT为安全和高效的FL提供了一个有希望的方向.
- 该方法可以通过增强的预测模型和协作数据使用来改善患者护理.
- 突出了在不影响性能的情况下在FL中强大隐私的可行性.
