针对分布式神经成像数据的高效联合学习
Bishal Thapaliya1,2, Riyasat Ohib1,3, Eloy Geenjaar1,3
1Translational Research In Neuroimaging and Data Science Center, Atlanta, GA, United States.
Frontiers in neuroinformatics
|September 24, 2024
概括
分散的稀疏联合学习 (FL) 可以在没有数据传输的情况下进行协作神经成像分析. 这种方法通过在当地培训稀疏的模型来提高效率和隐私,减少通信开支.
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.
- 由于隐私和问责问题,机构的数据控制阻碍了合作.
- 需要工具来分析分布式数据集,而无需直接传输数据.
研究的目的:
- 为分析合并的神经成像数据集提出一个分散的稀疏联合学习 (FL) 策略.
- 在协作研究中应对数据隐私,安全和机构控制方面的挑战.
- 为了减少联合学习框架中的通信开销.
主要方法:
- 开发了一个分散的稀疏联合学习 (FL) 战略.
- 强调对稀疏模型的本地训练,以最大限度地减少数据传输.
- 在客户端站点之间实施选择性共享模型参数.
- 使用青少年大脑认知发展 (ABCD) 数据集进行验证.
主要成果:
- 拟议的FL战略显著降低了通讯开支.
- 使用较大的模型和多样化的站点资源,效率的提高更为实质性.
- 在大型神经成像数据集上证明了该方法的有效性.
结论:
- 分散的稀疏FL为协作神经成像分析提供了有效的解决方案.
- 该方法在联合学习环境中提高了效率和可扩展性.
- 这种方法有助于跨机构对敏感数据进行安全和保护隐私的分析.
