全分散联邦学习掌握电子病历

Dec, 2019

Learn Electronic Health Records by Fully Decentralized Federated Learning

Songtao Lu, Yawen Zhang, Yunlong Wang, Christina Mack

TL;DR本文介绍了一种在图上进行全面分散联合学习的算法，通过本地更新和节点间通信的交替，实现了在不丢失解决方案优化的情况下显著减少参数通信轮次的目的，数值模拟结果表明该算法与传统方法相比，具有较高的性能优势。

Abstract

federated learning opens a number of research opportunities due to its high communication efficiency in distributed training problems within a star network. In this paper, we focus on improving the →

federated learning communication efficiency decentralized federated learning graph electronic health record databases

发现论文，激发创造

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

当去中心化优化遇上联邦学习

本文系统地研究了分散式学习对于联邦学习的分布式最优化的机遇和挑战。

Jun, 2023

水平和垂直数据分区的高效电子健康混合联邦学习

电子健康允许智能设备和医疗机构协作收集患者数据，通过人工智能技术进行训练，以帮助医生进行诊断。我们提出了一个混合联邦学习框架，包括水平和垂直分区的数据，并开发了一种适应性策略来调整训练参数和缩小发送的数据大小。实验证明，所提出的算法可以实现所需的准确性，同时减少通信成本，也验证了适应性策略的有效性。

Apr, 2024

面向计算连续体的智能医疗分布式机器学习

本文探讨了去中心化的分布式账本上机器学习模型对分布式电子个人健康档案进行知识提取的方法，并提出了一个设计概念，能够匿名进行预测性分析，结果表明可降低机器学习时间至 60％，一致性延迟低于 8 秒，适用于各个医疗机构。

Jul, 2022

多目标进化联邦学习

此论文使用多目标进化算法优化神经网络模型的结构，以同时减少通信成本和全局模型测试误差，提高联邦学习的学习性能和效率。

Dec, 2018

FedER：通过经验回放和隐私保护数据合成的联邦学习

本文提出一种基于体验回放和生成对抗网络思想的联合和分散学习策略，名为 FedER，它可以在保持隐私的同时整合本地节点的特征，提供能够横跨多个数据集的模型，以实现对结核和黑色素瘤分类的准确诊断

Jun, 2022

联邦学习：提高通信效率的策略

本文探讨联邦学习中的机器学习算法以及通过结构化更新和草图更新的方式来降低通信成本，实验结果表明这两种方法可以将通信成本降低两个数量级。