研究人员开发了FedCARE，一个专为智能医疗应用量身定制的多目标个性化联邦学习新框架。该方法解决了不同医疗机构之间非独立同分布（non-IID）数据、异构临床目标和私有特征空间带来的挑战。FedCARE采用两阶段训练过程：首先，利用基于Pareto优化在公共特征上建立共享的全局骨干网络；其次，允许各个客户端使用其私有数据和本地目标对该骨干网络进行微调，以实现个性化适应。在MIMIC-III和Diabetes 130-US Hospitals数据集上的评估表明，FedCARE优于现有的联邦学习方法，在AUROC和MAE方面显示出显著的改进。 AI
影响 该框架通过在不损害患者数据隐私的情况下实现个性化适应，有望改善医疗领域的协作式AI模型训练。
排序理由 该集群描述了一篇详细介绍医疗领域联邦学习新框架的最新研究论文。
在 Hugging Face Daily Papers 阅读 →
- Diabetes 130-US Hospitals
- FedAvg
- FedCARE
- federated learning
- Melbourne Research Cloud
- MIMIC-III
- Rojalini Tripathy
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
