隐私保护的个性化联邦学习患者聚类

Jul, 2023

隐私保护的个性化联邦学习患者聚类

Privacy-preserving patient clustering for personalized federated learning

Ahmed Elhussein, Gamze Gursoy

TL;DR我们提出了一种隐私保护的基于社区的联邦机器学习 (PCBFL) 框架，通过使用安全的多方计算技术，在保护隐私的情况下利用患者级别数据来聚类患者并训练模型。PCBFL 在低、中、高风险患者的临床上表现出显著改进，并且性能优于传统和现有的聚类型联邦学习框架，平均 AUC 提高 4.3％，AUPRC 提高 7.8％。

Abstract

federated learning (FL) is a machine learning framework that enables multiple organizations to train a model without sharing their data with a central server. However, it experiences significant performance degradation if the data is non-identically independently distributed (non-IID).

federated learning personalized fl clustered fl privacy-preserving pcbfl

发现论文，激发创造

个性化先验隐藏信息联邦学习

本文介绍了一个名为 pFedBreD 的基于贝叶斯学习方法的个性化联合学习框架，该框架针对异构数据问题进行建模，并应用 Bregman 散度约束来解决该问题。实验结果表明，在高斯先验和均值选择的一阶策略的前提下，pFedBreD 显著优于其他个性化联合学习算法。

Nov, 2022

走向个性化联邦学习

本综述论文研究了个性化联邦学习（PFL）的领域，着重解决异构数据带来的基本问题，通过分类和分析 PFL 技术，提出其关键挑战和机会，并展望了未来研究的发展方向。

Mar, 2021

利用分布式电子医疗记录进行联邦机器学习预测死亡率和住院时间的患者聚类提高效率

介绍了一种基于社群的联邦机器学习算法，将分布式数据聚类成具有相似诊断和地理位置的有临床意义的社群，使每个社群可以学习一个模型。该算法在现场非 IID ICU EMR 上表现优于传统方法，同时可以保护隐私。

Mar, 2019

隐私不可知聚类提升联邦学习人脸识别

通过使用隐私敏感的 DPLC 机制和全局一致性感知损失函数，本文提出了 PrivacyFace 框架来改善联邦学习人脸识别，该框架在 IJB-B 和 IJB-C 上分别提高了 9.63% 和 10.26% 的精确率，并在大规模数据集上的大量实验中证明了其有效性和实用性。

Jan, 2022

基于聚类的联邦学习组件中的组内安全多方计算在组织病理学图像中的应用

本文提出一种隐私保护的联邦学习框架，采用安全多方计算的方式，将医院分为不同簇，通过局部训练和参数交换，实现共同学习模型而无需共享患者私人数据，并通过公开数据的实验结果表明，与差分隐私相比，该框架可以以更高的准确度达到无隐私泄露的效果，但通信开销较高。

Aug, 2022

在医学图像分析中提高私有联邦模型的性能

本研究探讨联邦学习在医疗应用中的优势，分析其如何能够解决医疗数据隐私、安全及所有权等挑战，讨论如何通过本地步骤和沟通轮数的调整来进一步提高模型的性能，并提供了理论证明和实验评估的支持。

Apr, 2023

面向个性化联邦学习的群体隐私保护

该研究论文探讨了在联邦学习中使用 $d$-privacy 的方法，以保护客户的敏感信息并允许个性化模型训练以提高系统的公平性和效用。同时，使用度量基础的混淆技术来保持原始数据的拓扑分布特征，并在真实数据集上进行了证明和实验验证。

Jun, 2022

个性化联邦学习基于堆叠

使用堆叠泛化的新型个性化方法，在保护隐私的情况下，直接发送模型来训练元模型，并在水平、混合和垂直分区联邦中适用各种模型类型和隐私保护技术，从而创建更适合个体客户数据的多个模型，并通过多方面评估每位客户对联邦的贡献。

Apr, 2024

异构和长尾数据上的多层个性化联邦学习

MuPFL 是一种创新的个性化联邦学习框架，通过多层次结构完全利用不同层次的计算资源，解决数据异质性对模型偏差的影响，缓解过拟合、加速训练，提高分类准确性，并在非独立同分布和长尾条件下取得显著的有效性和效率方面的进展。

May, 2024

个性化图形联邦学习与差分隐私

本文提出一种个性化图形联邦学习（PGFL）框架，通过分布式连接的服务器和它们的边缘设备协作学习设备或集群特定的模型，同时维护每个个体设备的隐私，通过利用不同模型之间的相似性，即使在数据分布和不成比例的数据集的情况下也提供更相关的体验。在此基础上，我们研究了一个变量 PGFL 实现，利用差分隐私，特别是零集中差分隐私，其中一个噪声序列扰乱模型的交换。我们的数学分析表明，所提出的支持隐私保护的 PGFL 算法在线性时间内收敛于每个集群的最优集群特定解。同时，我们的分析表明，利用集群之间的相似性会导致另一种输出，其与原始解的距离被限制，这个限制可以通过修改算法的超参数来调整。最后，我们还通过使用合成数据和 MNIST 数据集进行回归和分类的数值实验来检验所提出的 PGFL 算法的性能。

Jun, 2023