Oct, 2023

一种高效的平衡感知联邦学习方法用于可穿戴医疗设备的自回归比例观察

PDF
TL;DR提出了一个新的联邦学习框架 FedImT，专门解决联邦学习场景中的类别不平衡问题。FedImT 包含一个在线方案，可以在每轮聚合期间估计数据组成，并引入一种自衰减迭代等价物来跟踪多个估计值的变化，并及时调整损失计算的平衡，以解决少数类别的问题。实验证明了 FedImT 在解决不平衡问题上的有效性，同时没有额外的能源消耗和隐私风险。
发现论文，激发创造
  • FedHealth：一种用于可穿戴医疗的联邦迁移学习框架

    本文提出了 FedHealth 框架，该框架利用联邦学习进行数据聚合，并通过迁移学习构建个性化模型，从而实现准确且个性化的医疗保健，同时不会损害隐私和安全。实验表明，FedHealth 在可穿戴活动识别方面比传统方法具有更高的准确性（增加了 5.3%）。FedHealth 具有广泛的适用性和可扩展性，并且有潜力用于许多医疗保健应用。

    Jul, 2019

  • 具有类别不平衡减少的联邦学习

    用于解决联邦学习中数据隐私问题导致的设备端数据无法被中心服务器使用的问题，本文提出了一种基于估计方案的设备选择算法，以最小化类别不平衡来提高联邦学习全局模型的收敛性能。

    Nov, 2020

  • 解决联邦学习中的类别不平衡问题

    本文提出了一种监测模式以及一种新的比率损失函数，用于检测和减轻联邦学习中的类别失衡问题，并展示了其在保护客户隐私的同时在相对效率和精度方面的优越性。

    Aug, 2020

  • 面向医学图像分类的不均衡和聚合数据分布联邦学习

    采用新的真实数据分布，提出一种名为 FedIIC 的隐私保护框架，该框架通过类内对比学习和共享全局样本的类间对比学习进行特征提取器的校准来缓解训练造成的偏差，并使用考虑难度的逻辑调整构造 softmax 交叉熵损失以确保所有类别的平衡决策边界。在公共可用数据集上的实验表明，FedIIC 在处理两种耦合问题的同时，具有更优越的性能。

    Jun, 2022

  • 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

  • 联邦学习中的类别不平衡调查

    本文针对联邦学习中的数据不平衡问题，介绍了目前研究中针对该问题的进展，包括不需要真实数据的数据不平衡程度评估方法、数据不平衡处理方法及其优缺点、常用的评估指标，以及未来的研究方向。

    Mar, 2023

  • 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

  • 基于移动感知的增量半监督联邦学习进行健康推测

    移动感知技术结合联邦学习能在保护用户隐私的同时，有效识别类似流感症状，并通过增量半监督联邦学习算法在分散的在线环境中训练模型，取得最佳结果。

    Dec, 2023

  • 在电子健康记录中提高 AI 模型的公平性：联邦学习方法案例

    为保障公平，研发 AI 工具在高风险应用（如医疗保健领域）中十分重要。本文提出了一种基于联邦学习的、适用于医疗领域的综合方法，通过对抗性去偏倚和公平聚合等技术明确减弱模型的偏见，且在多种实验中证明了该方法的有效性。

    May, 2023

  • 在联邦学习环境中通过数据规范化提高高度不平衡的医学数据性能

    提出了一种适用于高类别不平衡情况下学习的数据正则化算法在联邦学习环境中的应用，以提高心血管疾病预测模型的性能，并利用分布在联邦生态系统不同节点上的患者数据，不损害其隐私并实现更加资源敏感的分配。该方法在分散在不同客户端的四个心血管疾病预测数据集上进行评估，取得了改进的性能，并验证了在不同超参数设置和资源分配场景下的稳健性和适应能力。

    May, 2024