Sep, 2023

用于健康老龄化应用的联邦学习早期辍学预测

PDF
TL;DR社会关怀应用、用户退出、机器学习算法、联合机器学习方法和数据选择对用户退出预测模型的性能有显著影响。
social care applicationsuser dropoutsmachine learning (ml) algorithmsfederated machine learning (fml)data selection
发现论文，激发创造
  • 智能移动健康系统的隐私保护边缘联邦学习

    我们提出一种在物联网基础设施上，针对资源受限的移动健康和可穿戴技术的隐私保护边缘联邦学习框架，并通过在 Amazon 的 AWS 云平台上使用可穿戴技术监测癫痫的发作检测应用的实施评估了我们提议的框架。

    May, 2024

  • 工业应用中的预测维护和质量检查联邦学习

    本研究对不同的联邦学习聚合方法进行了性能评估，并将它们与中心化和本地化训练方法进行了比较。研究结果表明，FL 的性能高度依赖于数据及其在客户端的分布。在某些场景下，FL 可以是传统中心化或本地化训练方法的有效替代方案。此外，我们介绍了一个来自实际质量检验环境的新联邦学习数据集。

    Apr, 2023

  • 组织病理图像分类与脆弱性分析的联邦学习

    利用隐私保护联邦学习技术，发现健康诊断的机器学习模型会受到数据投毒的攻击，导致全局模型准确度下降。

    Oct, 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

  • 带有嘈杂用户反馈的联邦学习

    本文探讨了在联邦学习（FL）中使用用户反馈进行标记和降噪以提高 ML 模型性能的新方法，通过两个文本分类数据集的实验表明该方法在保护隐私的同时提高了模型的性能。

    May, 2022

  • 联邦学习：应用、挑战和未来方向

    本文提供了关于联邦学习的概述，并重点关注医疗保健领域。通过中央协调器服务器共享全局深度学习模型，解决了隐私保护需求并探讨了联邦学习遇到的挑战和未来发展方向，其中使用多方计算、同态加密、差分隐私和随机梯度下降等多种隐私方法。

    May, 2022

  • 联邦学习：最新进展与应用的前沿综述

    在机器学习系统中，通过联邦学习作为一个安全的分布式机器学习方法，有效提升隐私安全；它利用区块链技术将机器学习模型转移到边缘服务器，通过这种机制保证了集中式和分散式系统的高效处理和数据存储需求，强调可伸缩性、隐私考虑和成本有效的通信。本文对最近的联邦学习应用进行了分析和比较，以评估其效率、准确性和隐私保护。然而，鉴于联邦学习复杂且不断演化的特点，明确需要进一步研究来解决知识间的差距并有效应对该领域面临的挑战。在本文中，我们将最近的文献分为以下几个类别：隐私保护、资源分配、案例研究分析和应用，此外，在每个章节的末尾，我们还对参考文献中提出的开放领域和未来方向进行了总结，为研究人员提供了领域演进的深入视角。

    Oct, 2023

  • 基于联邦学习的匹配特征提取用于异构边缘设备的工业健康预测

    本文提出了一种 FL-based 健康预测模型和一种特征相似度匹配的参数聚合算法，以从异构数据中区分性地学习，利用循环衰减数据和涡轮鼓风机的非循环数据，为状态健康估计和剩余寿命估计带来高达 44.5％和 39.3％的精度提高。

    May, 2023

  • FedMood: 移动健康数据情绪检测的联邦学习

    本论文提出了一种使用联邦学习和多视角数据的智能诊断框架以解决患者医疗隐私问题。

    Feb, 2021

  • 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