基于联邦学习和重要性加权的疾病得分预测

摘要：

在考虑用户隐私的保护多源域数据背景下预测疾病得分的问题中,来自不同源域的数据分散存储无法合并,且可能服从不同的分布,因此传统的机器学习方法无法合理地利用源域数据的信息.本文结合联邦学习的思想和基于样本的迁移学习方法,提出了联邦重要性加权方法,通过将源域的样本重用于目标域的预测任务,而且不需要进行源域之间的数据共享,实现了在保护源域的数据隐私的情况下利用分布不同的多源域的信息提升目标域预测的精度.并且基于提出的方法,本文构造了一种加权模型并提供了一个简洁通用的算法用于求解目标域的预测模型.数值模拟以及实证结果表明,相对于未考虑分布迁移的传统方法,联邦重要性加权方法可以有效地利用多源域数据的信息,在目标域的预测精度上具有优势,以及在帕金森疾病数据中做出精准的疾病得分预测.

关键词：联邦学习、迁移学习、重要性加权、加权模型、疾病得分、机器学习、隐私保护

所属期刊栏目：31

分类号：TP391.41;TP181;TP29

资助基金：国家自然科学基金;国家自然科学基金

在线出版日期：2023-01-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：375-382