Aug, 2023

通过联邦学习聚合内在信息以提升脑机接口性能

PDF
TL;DR通过使用分层个性化的联邦学习框架，本研究提出了一种解决脑机接口领域缺乏多样数据的问题的综合方法，能够提升脑电图（EEG）解码的分类性能并充分利用来自不同设备的数据集之间的知识共享，为解决该问题提供了全新的端到端解决方案。
发现论文，激发创造
  • 基于联邦迁移学习的脑电信号分类

    本文提出了一种基于联邦学习的隐私保护深度学习架构，名称为 FTL，用于 EEG 分类，通过领域自适应技术从多个受试者的 EEG 数据中提取共同的区分信息。在实验中，FTL 方法在保护隐私的前提下，相对于其他最先进的 DL 架构，在 2 类动作想象分类任务中进行了性能评估，表现出更好的性能。

    Apr, 2020

  • HHHFL：基于分层异构横向联邦学习的脑电信号分析

    本研究提出了一种基于异构联邦学习方法的脑电分类技术，解决了隐私保护和数据异构性这两个问题，实验结果证明该方法能够在各种不同任务中实现可靠的性能提升。

    Sep, 2019

  • 联邦脑肿瘤分割不同聚合和超参数选择方法的评估与分析

    研究使用联邦学习在医学影像领域快速收敛和更好的表现，解决数据集中医疗隐私和数据所有权问题，并探索其在脑肿瘤分割问题上的应用。

    Feb, 2022

  • 分布式医疗数据库中的联邦学习：大规模亚皮质脑部数据的元分析

    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

  • 基于声誉的联邦学习防御策略在脑电图信号分类中的应用

    该研究提出了一种基于声誉的威胁缓解框架，针对联邦学习中的脑电图（EEG）信号分类的潜在安全威胁进行防御。实验证明该框架在 EEG 信号分类方面表现良好，同时降低了与安全威胁相关的风险。

    Oct, 2023

  • 人机联合学习框架以提升内生脑机接口训练

    脑机接口（BCIs）提供了从大脑到外部设备的直接路径，具有辅助和康复技术的巨大潜力。通过引导用户生成朝向解码器估计的最优分布的脑信号，提出了一种人机联合学习框架来加速内源性 BCIs 中的学习过程。通过 18 名健康受试者的在线和伪在线 BCI 实验，证明了所提出的联合学习过程在学习效率和效果上的优势。

    Aug, 2023

  • 异构数据感知联邦学习

    本研究提出一种新方法来解决联邦学习中的问题，并在本文所述的公开基准数据集（如 Femnist）以及自己收集的数据集（即流量分类）上验证了该方法的有效性，结果表明这种方法在极端情况下具有显著的优势。

    Nov, 2020

  • 任务无关的联邦学习

    应用自监督学习的联邦学习框架，通过使用 Vision Transformer 作为共识特征编码器进行无监督预训练，能够在各种真实非 IID 医学图像数据集上进行有效的表示学习，为多任务基础建模提供潜在的方法。

    Jun, 2024

  • 物联网数据上的多模态联邦学习

    本文提出一种多模态和半监督联邦学习框架，利用自编码器从不同本地数据模态中提取共享和相关表示，并使用多模态 FedAvg 算法聚合不同数据模态上训练的本地自编码器。实证结果表明，引入多模态数据可以提高联邦学习的分类性能。

    Sep, 2021

  • 使用隐私保护联邦学习和领域适应的多站点 fMRI 分析：ABIDE 结果

    本研究提出一种联邦学习方法来解决多中心 fMRI 分类任务中的隐私问题，采用分散式的迭代优化算法并在本地模型权重上实现随机化机制，通过两种域自适应方法来解决不同中心 fMRI 分布的系统性差异，实现了对多组医疗数据隐私保护的高质量分析。

    Jan, 2020