新的FedCARE框架增强了面向医疗的个性化联邦学习

研究人员开发了FedCARE，一个专为智能医疗应用设计的个性化联邦学习新框架。该框架解决了不同医疗机构之间数据非独立同分布（non-IID）、临床目标异构以及私有特征等挑战。FedCARE采用两阶段训练过程：首先，它利用基于Pareto的多目标优化在通用临床特征上建立共享的全局骨干网络；其次，各机构利用其私有数据和本地目标对该骨干网络进行微调，以实现量身定制的个性化。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方面取得了显著改进。 AI

影响 该框架通过允许机构在不共享敏感患者数据的情况下进行协作，从而能够更有效和更注重隐私地开发医疗AI模型。

排序理由 该集群包含一篇详细介绍联邦学习新框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Diabetes 130-US Hospitals
• FedAvg
• FedCARE
• federated learning
• Melbourne Research Cloud
• MIMIC-III
• Rojalini Tripathy

• 论文
• 模型发布
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →