个性化的联合学习心电图分类基于功能对齐

文摘

心电图(ECG)数据分类是一个热门研究领域,在医学信息处理中的应用。然而,数据不足,隐私保护,和本地部署仍具有挑战性的困难。解决这些问题,小说个性化联合心电图分类学习方法提出了。首先,全球模型训练和联合学习框架在多个本地数据的客户。然后,我们使用全局模型和私人数据训练当地的模型。减少全球和私人之间的特性不一致本地数据和更好地拟合私人本地数据,设计了一种新型“功能对齐”模块保证一致性,它包含两个部分,分别为全局比对和局部比对。全局比对,批处理数据的图形指标是用来约束之间的不同特性产生的全球模型和局部模型。采用局部比对,三合损失增加歧视能力为当地私有数据。我们收集的数据集评估综合实验。结果表明,该方法可以更好地适应本地数据和表现出优良的泛化能力。

1。介绍

统计报告,心脏病是最致命的慢性疾病。每年有近1770万人死于心血管疾病,占世界总死亡人数的31% (1]。心电图(ECG)是一种生理信号,广泛用于心脏健康监测。它包含许多与心脏活动相关的病理信息,它是一个有效的方法来监控和诊断心血管疾病的2]。心电图是一长串数据,可以持续好几天,所以它是非常消耗时间和标签与人类专家监测和诊断。因此,有必要使用人工智能技术自动心血管疾病诊断。

使用先进的机器学习技术特别是深度学习,心血管识别模型可以用标签的心电图数据训练,即。的方法(3)达到0.837 F1值12种心脏违规行为。然而,大多数的方法都是基于公共可用的训练数据集,这是相对较小的和有限的品种。此外,他们很难在实际部署应用程序。

为了扩大可用心血管信息和保证隐私,可以组合来自多个医疗机构的数据作为一个统一的数据集,可以用来培养卓越的全球模型联合学习框架(4]。联合学习是一种特殊的机器学习模型使用数据分布在多个设备同时防止数据泄漏。这也是一个保护隐私分散协作学习技术(5]。有作品采用联合学习医学数据处理和模型训练(6,7]。

通过这种方式,可以训练集中的全局模型基于大量本地节点的数据。然后,全局模型部署到本地数据预测模型。然而,有一个巨大的挑战,当地模型将得到不同的性能通过使用相同的全局模型。这是因为当地客户的数据分布随全球训练数据分布。因此,个性化的全球模型为每一个客户成为必要克服数据分布的异质性造成的问题(8]。

设备的存储、计算和通信能力将产生异构数据。心电图、采样频率和时间根据参数设置和环境不同,导致不均匀的节奏信号,左心室高电压,和其他诊断模式。当有大区别数据分布全球的服务器和本地客户,很难直接测量它们之间的功能不一致。因此,这使得很难全球心电图分类模型部署到本地客户端可接受的性能。

为了解决这些问题,一个新颖的个性化提出了联合学习心电图数据分类框架。首先,全球心电图分类模型与典型的联合训练学习方法在多个地方的客户。然后,全球模型继承了局部模型和担任骨干部分。在当地模型的个性化培训,继承了一部分模型是固定的。当地模型是个性化的基础上,提出功能定位模块。利用全球的推广模式,形成批量数据成图表示的特点,所以节点之间的内部结构可以被保留下来。图之间的距离特性和地方特性用于全球一致性约束。从另一个角度来看,局部比对是用来使模型更好地适应当地的私人数据。采用度量学习方法,三个一组的损失的目的是使同一类数据点相互接近和消极的数据点远。最后,这些损失函数模型训练结合在一起。 By the proposed method, the consistency between global and local data can be learned, and the local personalized model is built with better adaptability and generalization. As far as we know, there are no related research studies for problems of personalized ECG classification. The main contributions of this paper are two folds:(我)为了减少全球和本地数据之间的差异,小说功能对齐模块设计。图约束和三重态指标,它能使当地的模型有更好的适应能力和泛化。(2)广泛的实验进行评估,从多个方面和性能分析报告。

本文的其余部分组织如下。部分2给出了相关的工作。部分3描述了方法。给出了部分实验评价和分析4。部分5本文总结道。

2。相关的工作

相关工作在本节中,介绍了包括心电图数据分类方法,联合学习框架,在联邦和个性化学习。

2.1。心电图分类方法

表示与精心设计的特性,可以实现心电图分类模型基于贝叶斯,k - means,决策树、线性分类器的区别对待9- - - - - -11),以及常用的优化技术(12,13]。功能,如提取QRS波的周期和高阶文献[14]。这时,一个模糊神经网络作为分类器训练。小波变换用于特征提取在文献[15]。文献[16)采用支持向量机对心电图分类。

卷积神经网络方法适合多引入线的心电图数据提出了在文献[17]。堆叠去噪autoencoder识别模型在文献[18心电图数据)。在文献[19),深层信念网络构建模型用于心律失常诊断。卷积神经网络模型在文献[20.]因为心跳分类。在文献[21),深层因素分解方法被用来减少复杂的噪声对ECG信号的影响。深autoencoder最初是用于信号去噪和重建,然后完全卷积网络训练分类器。在文献[22),非负矩阵分解用于数据降维,特征提取与稀疏表示。特性与多尺度表示,提出了在文献[23],渐进决策融合的最终分类。

2.2。联合学习

为了利用大规模分布式数据存储和保持隐私,联合学习是一个有用的框架,从数据岛和使模型提供有效培训合作(4]。在文献[24),当地在每个本地节点模型训练,只有更新参数设置共享全球培训。在文献[multitask-based联合提出了学习方法25],它可以解决的问题,沟通成本高,容错。在文献[26),一个安全的客户机-服务器最初建造。根据不同的本地用户分配数据。同态加密方法用于模型参数聚合,提高服务器安全(27]。介绍了微分隐私法联合学习在文献[28]。它为客户提供了保护在训练数据通过隐藏客户的贡献。提出了一种三元量子化方法在文献[29日),优化量化网络,减少大量冗余参数和过度的沟通成本。解决的问题标记和未经设备内置数据,文献[30.)使用深颞神经网络训练辅助任务通过优化对比目标与多视图策略在不同的数据集。

2.3。个性化在联合学习

联合学习可以用来训练全球模型利用分布式本地数据。然而,对于不同的当地客户,他们得到的好处从全球模型对各种数据分布可能差别很大。应对non-IID数据分布的客户、个性化联合学习提出了提高性能的每一个本地客户端通过培训个性化的局部模型。文献[31日)报道,当地模型的联合演出期间努力提高学习,甚至可能比训练只使用本地数据。因此,重要的是根据特定的本地节点模型的个性化。在文献[32),本地节点的第一个集群,每组单独模型的训练。在文献[33),全局模型的部分参数复制到本地模型,然后当地模型使用本地数据调整。metalearning方法是采用文献[34],它作为元测试过程模型的个性化治疗。在文献[35),全球和本地模型之间有一个平衡。全球和本地模型相结合对最终分类。在文献[36),局部模型和全局模型被视为两个专家,和个性化的模型是由混合训练个性化模型和全局模型的输出。类似的工作研究了文献[37]。文献[38]介绍了一个细心的消息传递机制,促进客户之间的协作效率。

3所示。方法

在本节中,提出个性化的联合学习心电图分类基于功能对齐。图1给出了该方法的主要框架。首先,全球模式是由一个典型的联合学习框架从多个本地客户。然后,为每个客户端 ,我们训练一个个性化的地方和私人数据集模型。当地的模型包含三个部分,包括 , ,和 。 是继承了从全球模型 。 是一个卷积神经网络模块为当地的特征提取和表示。是一个完全连接层或softmax层以形成最终的分类器。当地模型培训期间,是固定的维护全局模型的泛化能力。特别,两个对齐模块全局比对和局部比对,旨在限制特性分布之间的局部模型和全局模型,实现的约束特性所产生的图形表示和 ,度量学习组内和组内的损失。最后,全局比对的损失 ,局部比对损失 ,和叉损失都是整合优化目标函数。在接下来的部分将描述细节。

3.1。全局模型训练

为了充分利用分布式数据和隐私保障,联合模型培训学习是一种流行方式。在第一步中,全球模式与使用最广泛的联合训练学习框架FedAvg [39),为每个沟通一轮同步更新。

图2展示了全球框架模型培训我们的工作。有客户,每个包含一个本地数据集和当地的模型 。最初,全球服务器发送所有客户的模型参数。然后,每个客户端执行本地模型训练基于本地数据然后发送参数更新回服务器。服务器收集所有局部更新和全局模型参数进行了优化,并为多次重复这个过程。为了提高效率,可以更新全局模型在当地收集更新的一部分。

为客户 ,其模型参数训练与本地数据吗 。方程(1)给出了损失函数 ,这是损失的平均值对所有训练数据()。数据的总数在吗 。然后,方程(2)给出了最小化目标通过调整SGD和BP方法。

当客户完成他们的训练,服务器更新全球模型参数平均所有客户端模型的参数 。如方程所示3)和(4),的客户和数量吗每个模型的重量阈值。

一次迭代后分发给所有客户,每个客户端使用吗基本模型进一步训练使用方程(1)和(2)。经过多次迭代,全球模式可以训练最佳性能。此外,还可以采用其他联合学习框架全局模型的训练。

3.2。局部模型的训练

全局模型与联合培训学习在分布式数据最后一小节。然而,不能直接部署到本地客户端本地数据推断,当有大的区别全球服务器和本地客户的数据分布。在本节中,个性化模型适应方法设计基于全局训练模型和私人数据的一个特定的客户端。当地的模型包含三个主要的组件, 。 是遗传的全球培训模型 ,作为骨干和当地模型培训期间是固定的。和用于当地的特征表示和最终的分类器模型。

为了更好的拟合当地的私人数据,设计了一个特殊的约束策略”功能对齐”来保证全局和局部模型之间的一致性。对齐模块进一步分为两个部分,全局比对和地方对齐,如下所述。

3.2.1之上。全局比对

全局比对模块首先旨在限制当地培训功能节点之间通过构造结构模型。不同于其他方法,批量训练数据是用来从一个图结构,它可以表示数据节点之间的关系。通过这种方式,可以减少单数据功能转变的影响和关系数据节点保留。如图3,因为培训一批数据样本 在一个私人数据集,其全球功能和地方特色通过模型提取和 。然后,批量训练数据被视为全局比对的基本组操作。

样品被用来构造的特点用图表示和 。假设有在一批训练样本,然后包含图形表示节点和边缘。图的节点代表一批训练样本的特点,和图的边缘是由节点之间的距离。和是用来表示的图表示批处理数据通过全球和本地模型,分别。

为了测量两个批处理数据之间的相似性,矩阵格式是用来表示图结构表示。在这篇文章中,只对表示边缘节点之间的合并。假设,内部骨架图的节点之间是更重要的,应该从全局模型。如果使用节点特性,然后将会有强大的概率本地模式更像是全球模式。白色和黄色的矩阵图3是用来表示和 ,这是制定为方程(5)和(6)。表示两个节点之间的边。和两个训练样本吗 。

方程(7)给出了距离度量两个给定的批处理数据的图形表示 。 意味着一个距离计算方法,表示批量数据的大小。基本上,所有边的两个特性比较图表示。

3.2.2。局部比对

与当地私有数据模型的个性化,局部比对模块也设计,旨在为当地的私人数据提高分类性能。

如图4一个样本训练一批数据 在一个私人数据集,其本地特性通过提取模型 。然后,批量训练数据被用作局部比对的基本组操作。使用度量学习方法,我们尽量减少之间的距离从同一个类的特性;否则,距离增加。训练样本是随机选择的 ,表示为 。它被称为锚样本。然后,另一个选择两个样品。与锚定一个样品具有相同的标签,其他样品有不同的标签。这三个样本构成三联体 ,在哪里表示积极的样本表示负样本。通过培训,预计将减少之间的距离和并增加之间的距离和 。所示的约束条件是以下方程: 在哪里是最小的阈值距离和是三个一组的集合。

3.3。培训目标函数

我们提出的最终损失函数模型包含三个部分,全局比对的损失 ,局部比对损失 ,和叉损失 ,分别。

全局比对损失在方程(9),这是继承了从方程(7)。意味着批量的数量在所有训练数据集和数据表明批量数据的索引。

局部比对损失在方程(10),这是基于方程(8)。“+”意味着函数值为0[]当含量小于0;否则,它是正常的损失函数的值。三联体设置吗批处理数据。

叉损失在方程(11)。是标准熵函数。和是一样的方程(8)。是地面真理的批处理数据 ,和是当地的模型的输出值。

最终的损失函数是一个组合 , ,和 ,如方程所示(12)。 , ,和加权hyperparameters。用于更新的参数和模块在当地个性化模型:

4所示。实验评价

在这一部分中,首先得到的是数据集描述和实验设置。然后,提出了个性化的心电图分类方法的性能评估的各种环境。

4.1。数据集和实验设置

没有研究个性化联合学习心电图分类,我们构造一个特定的情况下对该算法进行评估。我们从8家医院收集约120000心电图数据。表1给出了数据集的详细描述。六个症状如窦性心律,窦性心律不齐,窦性心动过速,窦性心动过缓,让令,和正常的选择,最常见的类型和数据丰富。有20201、18581、13682、15854、14211年和38524年类型的窦性心律,窦性心律不齐,窦性心动过速,窦性心动过缓,让令,分别和正常。数据分布的医疗机构也列在表中2。

在我们的研究中,每个医疗机构与当地的一个节点,而这些本地节点为全球培训提供私有数据。因此,联邦学习情况设置。

4.2。基本模型训练

服务器(全局模型)拥有全球FedAvg训练模型而每个本地客户端更新模型局部全球聚合后连续使用SGD风格算法。CNN模型 - - - - - -34是用作全球基本网络结构模型和局部模型。

每个实验都是竞选100年全球聚合e= 4时代全球聚合连续SGD之间。不断学习速率0.01跨全球聚合和客户使用。

表3给每一个本地节点的分类结果后联合学习。平均分类正确率作为度量我们的工作。有两个节点类型,当地和全球。全局模型分类率为82.6%。为本地节点,有两个评估。本地节点1到8获得分类率达到89.48%,88.76%,90.25%,91.54%,88.31%,89.57%,90.18%,和90.54%,分别在相应的当地私人数据集。与此同时,本地节点1到8获得分类率达到54.65%,57.18%,49.75%,51.43%,48.92%,46.35%,52.45%,和50.20%,分别对全球测试数据集。它可以很明显看到,当地的模型的性能优于全局模型对私人数据。当地在全局数据模型获得低的性能数据,约有30%低于全球模式。这些表明,当地的模型更优于本地数据,尽管全球模型训练与传统联合学习框架需要进一步改进。因此,迫切要求进行个性化模型。

4.3。模型的个性化评价

在本节中,提出了基于模型的个性化特征一致性评估。

全局模型获得在上面的分段是先下载到本地节点,然后每个局部节点的个性化模型训练的基础上本地数据集和 。遵守部分2, , ,和设置为0.3、0.3和0.4,分别。与16批大小设置,学习速率是0.001。

表4给出了模型的个性化的结果。第1列是节点的索引。列2和3是当地平均性能数据与模型的培训只有本地数据和个性化。列4和5是平均性能全球数据与模型的培训只有本地数据和个性化。可以看出,模型的性能与个性化却降低了约3%。这表明当地的个性化模型不太倾斜分布数据。全球测试数据,模型的性能与个性化是大大增加15 - 18%。这是一个很好的验证,更广义的个性化模型。

4.4。与其他方法的比较

在本节内,一些相关的个性化模型方法相比,我们提出的模型。我们实现的算法31日,34,35),和本地和全球的平均分类率测试数据评估。

表5展示了比较的结果。方法(33- - - - - -35获得平均性能的84.41%、82.70%、和83.55%本地节点测试数据和79.80%,78.68%和76.45%全球测试数据。大约有4%和6%与我们提出的方法相比,这种验证的有效性提出个性化对齐模块框架和功能。

4.5。影响全局比对和局部比对

在本节内,全局比对和局部比对效果评估。全局比对和局部比对两个小说操作在我们的工作,提出旨在吸引全球模型的泛化能力和提取歧视当地私有数据的能力。这里,全局比对和局部比对的影响评估不同的权重分配它们。

表6展示了比较的结果。五参数设置 , ,和采用。从表中可以看出,随着提高 ,avg价值。(当地)增加;与此同时,avg的价值。(全球)降低。有类似的表象 。 和是两个参数性能之间的平衡全球贸易数据和本地数据。参数设置为0.3,0.3和0.4获得最佳性能。

4.6。评估的执行时间

在本节内,个性化模型执行时间评估。三个cnn结构与各种培训批量大小进行测试。表7表明,模型成本大部分执行时间,1.26,1.67,2.31,和3.74年代的批量大小8、12、16、24为每个迭代训练。 - - - - - -34执行时间最少,约为58%的年代。模型推理,三个模型需要0.120秒,0.076,和0.063年代为测试数据,分别。 - - - - - -34是首选模型因其卓越的性能和可接受的成本。

5。结论

这项工作提出了一个新颖的个性化联合心电图分类学习方法。我们探讨个性化的功能定位策略在全球和本地双方。通过实验收集数据集,它显示了本地个性化福利高的模型性能和泛化。据我们所知,这是第一个评价个性化联合学习心电图数据分析。

我们未来的工作将集中在两个方面:(1)我们将更深入地研究个性化的方法与特定的结构和(2)外部数据集应该用于改善模型性能,如网络抓住数据(40]。

数据可用性

本研究中使用数据集是私人的。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由国家重点研发项目批准号下的中国2017个yfb1003000,中国国家自然科学基金批准号。61632008,62072099,61972085,61872079,和61972083,江苏省重点实验室资助下的网络和信息安全。BM2003201,重点实验室的计算机网络和信息集成的中国教育部批准号93 k - 9和部分由协同创新中心的小说软件技术和产业化,无线通讯技术的协同创新中心,中央大学和基础研究基金。

引用

1. 2020年世界卫生统计西班牙监测健康,可持续发展的目标瑞士日内瓦,世界卫生组织,2020年。
2. s . k . Berkaya A . k . Uysal e . s . Gunal s, s . Gunal和m . b . Gulmezoglu心电图分析调查,“生物医学信号处理和控制,43卷,第235 - 216页,2018年。视图:出版商的网站|谷歌学术搜索
3. a . y . Hannun p . Rajpurkar m . Haghpanahi et al .,“Cardiologist-level心律失常检测和动态心电图使用深层神经网络在分类,“自然医学,25卷,不。1,第69 - 65页,2019。视图:出版商的网站|谷歌学术搜索
4. j . Konecny h·b·麦克马汉d .鲸和p . Richtarik”联合优化:分布式设备内置智能机器学习,”2016年,http://arxiv.org/abs/1610.02527。视图:谷歌学术搜索
5. 刘问:杨,y, t·陈,y,“联合机器学习,”ACM智能交易系统和技术,10卷,不。2 - 2019页。视图:出版商的网站|谷歌学术搜索
6. t . s . Brisimi r . Chen t·梅拉a . Olshevsky i c . Paschalidis和w·史”联合预测模型的学习联邦电子健康记录,“国际医学信息学杂志》上卷,112年,页59 - 67,2018。视图:出版商的网站|谷歌学术搜索
7. o . Choudhury y公园,t . Salonidis a G Divanis,我不自信,和a K Das,“预测药品不良反应在分布式健康数据使用联合学习”美国AMIA学报》上。年度研讨会论文集,页313 - 322,华盛顿特区美国,2019年11月。视图:谷歌学术搜索
8. 诉Kulkarni m . Kulkarni,喘气,“个性化技术联合调查学习,”2020年,https://arxiv.org/abs/2003.08673。视图:谷歌学术搜索
9. r . j . Muirhead r·d·泡芙,“心率变异性的贝叶斯分类数据,”自然史答:统计和理论物理,卷336,不。3、503 - 513年,2004页。视图:出版商的网站|谷歌学术搜索
10. Christov,即Jekova, g . Bortolan“过早心室收缩分类theKth最近的邻居规则,”生理测量,26卷,不。1,第130 - 123页,2005。视图:出版商的网站|谷歌学术搜索
11. o . Behadada和m . Chikh”检测的可翻译的分类器通过使用模糊决策树,心律失常”人工智能的研究,卷2,不。3,45-58,2013页。视图:出版商的网站|谷歌学术搜索
12. l . Ma、s . Cheng和y史,“提高学习效率的头脑风暴学习通过正交优化设计,“IEEE系统,人,和控制论:系统,51卷,不。11日,2020年。视图:出版商的网站|谷歌学术搜索
13. l .马黄m . s, r . Wang和x王,“一种自适应局部决策变量分析方法大规模多目标和许多客观优化”IEEE控制论,2021年。视图:出版商的网站|谷歌学术搜索
14. Osowski和t·h·h·l . Tran“心电图击败使用模糊混合神经网络识别,”IEEE生物医学工程,48卷,不。11日,第1271 - 1265页,2001年。视图:出版商的网站|谷歌学术搜索
15. 即居尔和大肠Ubeyli心电图击败分类器设计的神经网络模型相结合,“模式识别,38卷,不。2、199 - 208年,2005页。视图:出版商的网站|谷歌学术搜索
16. e . d . Ubeyli“心电图比使用多类分类支持向量机与纠错输出编码,“数字信号处理,17卷,不。3、675 - 684年,2007页。视图:出版商的网站|谷歌学术搜索
17. f p, h . Wang m . Liu, z侯,和刘x,“一堆收缩去噪auto-encoder ECG信号去噪,”生理测量,37卷,不。12日,第2230 - 2214页,2016年。视图:出版商的网站|谷歌学术搜索
18. m·m·a . Rahhal y坝子,h . AlHichri n . Alajlan f . Melgani r . r .狙击兵,“深度学习心电图信号分类方法活跃,”信息科学卷,345年,第354 - 340页,2016年。视图:出版商的网站|谷歌学术搜索
19. x z . y . Wu问:叮,g·r·张“小说心电图心律失常分类方法使用深层信念网络,”国际期刊的计算智能和应用程序,15卷,不。4、文章ID 1650021, 2016。视图:出版商的网站|谷歌学术搜索
20. 美国r . Acharya s . l .哦,y Hagiwara et al .,“深卷积神经网络模式分类的心跳,“计算机在生物学和医学卷,89年,第396 - 389页,2017年。视图:出版商的网站|谷歌学术搜索
21. 刘l . g . Wang, m . et al .,“心电图信号去噪基于因子分析,“生物医学信号处理和控制57卷,2020。视图:出版商的网站|谷歌学术搜索
22. r·李·g·杨黄y . k . Wang f .元,和y阴,“健壮的心电生物识别技术使用GNMF和稀疏表示,“模式识别的字母卷,129年,第76 - 70页,2020年。视图:出版商的网站|谷歌学术搜索
23. j . Zhang j .田曹y, y,和徐x,“深时频表示和进步为心电图分类决策融合,“以知识为基础的系统文章ID 105402卷,190年,2020年。视图:出版商的网站|谷歌学术搜索
24. r .负责人和诉Shmatikov”,保护隐私深度学习,”22 ACM SIGSAC学报》关于计算机和通信安全的会议ACM,页1310 - 1321年,纽约,纽约,2015年10月。视图:出版商的网站|谷歌学术搜索
25. 诉史密斯,c . k .蒋介石m . Sanjabi s t·阿米特,“联合多任务学习,”程序的年度会议在神经信息处理系统长滩,页4424 - 4434年,CA,美国,2017年12月。视图:谷歌学术搜索
26. h·b·麦克马汉e·摩尔,d .鲸和y . a . b . Aguera”联合学习深度网络使用模型平均”,2016年,http://arxiv.org/abs/1602.05629。视图:谷歌学术搜索
27. y Aono, t . Hayashi l . Wang和s . Moriai“深度学习通过加法同态加密保护隐私,”IEEE取证和安全信息,13卷,不。5,1333 - 1345年,2018页。视图:谷歌学术搜索
28. r·c·盖尔·t·克莱恩,m·纳比”不同私人联合学习:客户水平的角度来看,“2017年,http://arxiv.org/abs/1712.07557。视图:谷歌学术搜索
29. j .徐w·杜,y, w .他和r . Cheng“三元压缩communication-efficient联合学习,”IEEE神经网络和学习系统,2021年1 - 15页。视图:出版商的网站|谷歌学术搜索
30. 赛义德·d·萨利姆,t . Ozcelebi和j . Lukkien”联合self-supervised学习嵌入式智能的多传感器表示,“IEEE物联网,8卷,不。2、1030 - 1040年,2021页。视图:出版商的网站|谷歌学术搜索
31. e . t . Yu Bagdasaryan诉Shmatikov,“拯救联邦地方适应学习,”2020年,https://arxiv.org/abs/2002.04758。视图:谷歌学术搜索
32. y曼苏尔,m . Mohri j . Ro和a . t .苏雷什”三种方法联合学习的个性化应用程序,”2020年,https://arxiv.org/abs/2002.10619。视图:谷歌学术搜索
33. r·马修斯k . Wang c . Kiddon h . Eichner f . Beaufays d鲸,“联合设备内置个性化评估,”2019年。视图:谷歌学术搜索
34. 江y, j . Konecny k·拉什,s . Kannan”改善联邦通过模型无关的元学习个性化学习,”2019年,arXiv预印本arXiv: 1909.12488,2019年,https://arxiv.org/abs/1909.12488。视图:谷歌学术搜索
35. f . Hanzely和p . Richtarik联合学习全球和本地的混合模型,”2020年,https://arxiv.org/abs/2002.05516。视图:谷歌学术搜索
36. 郭,y梅、d·肖和w·吴”PFL-MoE:个性化联合学习基于混合物的专家,”网络和大数据1卷,第486 - 480页,2021年。视图:出版商的网站|谷歌学术搜索
37. 邓y、m . m . Kamani和m . Mahdavi“联合自适应个性化学习”,2020年,https://arxiv.org/abs/2003.13461。视图:谷歌学术搜索
38. 黄y l .楚z周et al .,个性化Cross-Silo联合学习Non-Iid数据AAAI CA,美国,2021年。
39. b·麦克马汉e·摩尔·d·拉梅奇,美国芬和y b·a·布莱斯”Communication-efficient学习深度网络从分散的数据,”20人工智能国际会议的程序和数据,页1273 - 1282,美国佛罗里达州劳德代尔堡2017年4月。视图:谷歌学术搜索
40. y, m .长和i . j . Michael j . Wang“域局部差异的适应,”2020年,https://arxiv.org/abs/2008.06242。视图:谷歌学术搜索

版权

版权©2021 Renjie唐等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。