基于联邦学习的口腔疾病检测移动应用
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
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
本文提出了一种基于设备的联邦对比学习框架用于皮肤病诊断,该框架使用深度学习、联邦学习和自监督学习等技术,可以利用多个设备上的无标注数据进行预训练,并在有限的标注数据上进行调整,实现了对皮肤病的高效诊断。
Feb, 2022
本文提出了一种基于 FedAvg 的 FL 算法和 YOLOv5 目标检测算法的质量检测任务目标检测的 FL 算法,应用于多个工厂 / 客户的数据进行全球模型训练,实验结果表明:相较于基于本地数据集的模型训练,我们的 FL 方法在整个客户端数据集上达到了更好的泛化性能,并产生了改进的物体边界框。
Jun, 2023
心血管疾病(CVD)是全球死亡的主要原因,早期检测可显著改善患者预后。机器学习(ML)模型可以帮助早期诊断 CVD,但其性能受到模型训练所使用数据的限制。隐私问题使得在医疗保健领域获取准确的 ML 模型训练数据更加困难。联邦学习(FL)是一种新兴的机器学习方法,它允许在不损害个体数据所有者隐私的情况下,使用来自多个信息源的数据进行模型训练。本综述文献对 CVD 检测中联邦学习的最新技术现状进行了概述。我们回顾了各种文献中提出的不同 FL 模型,并讨论了其优点和挑战。我们还将 FL 与传统集中式学习方法进行了比较,并强调了在模型准确性、隐私和数据分布处理能力方面的差异。最后,我们对 CVD 检测中 FL 的当前挑战和限制进行了批判性分析,并讨论了未来研究的潜在方向。总体而言,本综述旨在全面介绍 CVD 检测中联邦学习的最新技术现状,并凸显其提高 CVD 检测模型准确性和隐私保护的潜力。
Aug, 2023
本综述介绍 FL 在智能医疗中的应用,包括资源感知型 FL,安全和隐私意识型 FL,激励型 FL 和个性化 FL,重点关注 FL 在健康数据管理,远程健康监测,医学成像和 COVID-19 检测方面的新领域,分析了几个最近基于 FL 的智能医疗项目,并讨论了未来研究方向和挑战。
Nov, 2021
提出了综合的医疗数据隐私风险分析和联邦学习(MedPFL)的减轻框架,分析了在联邦学习中保护私人医疗数据的隐私风险,并开发了有效的减轻策略。展示了使用联邦学习处理医学图像的实质性隐私风险,并指出在联邦学习中加入随机噪声的防御方法可能不总是有效保护医学图像免受隐私攻击,这给医疗数据的隐私保护带来了独特和迫切的挑战。
Nov, 2023
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