IJCAIJul, 2019

FedHealth：一种用于可穿戴医疗的联邦迁移学习框架

PDF
TL;DR本文提出了 FedHealth 框架，该框架利用联邦学习进行数据聚合，并通过迁移学习构建个性化模型，从而实现准确且个性化的医疗保健，同时不会损害隐私和安全。实验表明，FedHealth 在可穿戴活动识别方面比传统方法具有更高的准确性（增加了 5.3%）。FedHealth 具有广泛的适用性和可扩展性，并且有潜力用于许多医疗保健应用。
发现论文，激发创造
  • 一种高效的平衡感知联邦学习方法用于可穿戴医疗设备的自回归比例观察

    提出了一个新的联邦学习框架 FedImT，专门解决联邦学习场景中的类别不平衡问题。FedImT 包含一个在线方案，可以在每轮聚合期间估计数据组成，并引入一种自衰减迭代等价物来跟踪多个估计值的变化，并及时调整损失计算的平衡，以解决少数类别的问题。实验证明了 FedImT 在解决不平衡问题上的有效性，同时没有额外的能源消耗和隐私风险。

    Oct, 2023

  • FedHealth 2: 基于批归一化的加权联邦迁移学习用于个性化医疗保健

    本文提出 FedHealth 2，一种拓展的联邦学习方法，通过利用预训练模型评估客户端间的相似度，并保持本地批量规范化来解决领域转移和个性化问题，从而实现更好的准确性和个性化医疗服务。

    Jun, 2021

  • 医疗信息学的联邦学习

    通过联邦学习机制，能够保持本地机构中的敏感数据，同时在中央服务器上培训共享全球模型，从而改进卫生保健数据的隐私保护和数据分析，以解决医疗卫生数据碎片化和保密性问题。

    Nov, 2019

  • FedOpenHAR：传感器基于的人体活动识别的联邦多任务迁移学习

    该研究论文探讨了在多任务环境下的联邦迁移学习，用于基于传感器的人体活动识别和设备位置识别任务，并通过使用 OpenHAR 框架和 DeepConvLSTM 结构在联邦学习环境中进行了多个实验，结果显示相比个别客户端训练和完全集中化方法，利用迁移学习和训练的任务特定及个性化的联邦模型可以获得类似的准确性并且更高的准确性。

    Nov, 2023

  • 联邦学习与数字化健康的未来

    该论文考虑了隐私问题对医疗数据的影响，通过联邦学习提供了数字健康的潜在解决方案，并强调需要解决的挑战和问题。

    Mar, 2020

  • 医疗健康领域联邦学习 - 流程、应用与挑战

    本篇调查研究了联邦学习在医疗保健领域中的应用，讨论了其中存在的挑战、方法和应用，并概述了联邦学习在医疗行业中的潜在可能性。

    Nov, 2022

  • 具备差分隐私的联邦学习用于敏感健康数据

    本文介绍了一种联邦学习框架，可以从不同站点本地持有的分布式健康数据中学习全局模型，提供了两个级别的隐私保护，第一级别的隐私保护不在模型训练过程中移动或共享原始数据，第二级别的隐私保护使用差分隐私机制防止对模型的潜在隐私攻击，并在两个医疗应用程序上对我们的方法进行了全面评估，使用 100 万患者的真实世界电子健康数据，证明了联邦学习框架在提供更高级别的隐私保护和维护全局模型效用方面的可行性和有效性。

    Oct, 2019

  • 具有个性化和共享组件混合的医疗联合模型

    本文提出了一种新的个性化联邦学习框架来解决异构医疗数据在多个医院之间协作训练神经网络时的降级问题，并设计了差异性稀疏正则化器和降低计算成本的方法来提高计算效率，最后通过实验证明该方法可以获取最佳模型性能和高达 60％的通信效率改进。

    Jun, 2023

  • 智能医疗领域的联邦学习：一项调研

    本综述介绍 FL 在智能医疗中的应用，包括资源感知型 FL，安全和隐私意识型 FL，激励型 FL 和个性化 FL，重点关注 FL 在健康数据管理，远程健康监测，医学成像和 COVID-19 检测方面的新领域，分析了几个最近基于 FL 的智能医疗项目，并讨论了未来研究方向和挑战。

    Nov, 2021

  • FedStack：使用堆叠联邦学习进行个性化活动监测

    本研究提出了一种名为 FedStack 的分散式联邦学习架构，支持广泛的异构架构客户机模型，提高远程病人监测的性能并保护病人的隐私；通过在移动健康传感器基准数据集上应用该架构进行实验，证明了其在分类 12 种常规活动方面的性能优于其他相似架构，并为建立客户隐私的增强型远程病人监测系统奠定了基础。

    Sep, 2022