FedMood: 移动健康数据情绪检测的联邦学习
我们引入了一种差分隐私的联邦迁移学习框架来增强数据隐私和丰富数据充足性,在压力检测方面通过一个案例研究评估了该框架,并发现该方法能够在确保隐私保护的同时提高 10% 的准确性和 21% 的回忆率。
Feb, 2024
本论文提出了一个基于联合多视图学习的框架,用于多视图数据泄露预防,以解决医学数据分布困难、数据来源异构等问题。该框架兼容垂直联合多视图学习和水平联合多视图学习两种问题,并通过键盘数据的实验验证表明,该方法可以在保护隐私的同时充分利用多视图数据,同时 V-FedMV 和 H-FedMV 方法的表现都显著好于其单视图和成对对应方法。此框架是首个考虑在联合多视图设置中进行垂直和水平多样化以及顺序联合学习的研究。
May, 2021
利用 Federated Data Model (FDM) 方法开发了一种能够在不同地点之间训练准确且注重隐私的人工智能模型的方法,通过扩散模型学习一处地点的数据特征,并生成可用于其他地点的合成数据,成功地应用于医学图像分割任务。
Mar, 2024
本文提出了一种个性化心理健康监测和情绪预测系统,利用患者生理数据,并采用分散的学习机制结合传输和联邦机器学习,使数据留在用户设备上,在隐私和可追踪的方式下实现心理健康条件的跟踪和管理,从而为精神科治疗提供了一个新颖的解决方案。
Jul, 2023
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
这篇论文介绍了一种能够在分布式数据上训练的符合 HIPAA 规范的框架,并提出了一个用于阿尔茨海默病(AD)检测的多模态垂直联邦模型。这种垂直联邦模型能够在不违反 HIPAA 所施加的隐私限制的情况下,实现跨不同源医学数据的协同学习,并利用多种数据模态提高 AD 检测的稳健性和准确性。该研究旨在通过使用垂直联邦学习,提供一个框架使医疗机构能够利用分布式数据集中蕴含的集体智慧,而不会损害患者隐私。
Dec, 2023
提出了一种联邦学习框架,可以安全地访问和元分析任何医学数据,探究神经系统疾病的关系。该框架在合成数据和多中心和多数据库的研究中进行了测试,表明了在分布式分析多中心队列中的进一步应用的潜力。
Oct, 2018
本文综述了联邦学习在医学图像分析中的最新发展,介绍了联邦学习在处理隐私保护和协作学习问题方面的背景和动机,分类总结了现有的联邦学习方法,并提供了目前联邦学习研究的基准医学图像数据集和软件平台的回顾,同时进行了实验以评估联邦学习方法在医学图像分析中的应用。
Jun, 2023