Comparing Federated Stochastic Gradient Descent and Federated Averaging for Predicting Hospital Length of Stay

要約

病院の入院期間 (LOS) を確実に予測することは、病院で効率的にリソースを割り当てるために不可欠です。
従来の予測モデリング ツールでは、医療機関にはプライバシー ルールが定められているため、十分で多様なデータを取得することが難しいことがよくあります。
私たちの研究では、ノードが病院である経験的なグラフとしてこの問題をモデル化しました。
このモデリング アプローチでは、機密データを病院外に抽出することなく、さまざまな病院からの分散データ ソースをモデル化することで、共同的なモデル トレーニングが容易になります。
ローカル モデルは、一般化総変動最小化 (GTVMin) を目的としてノード (病院) 上でトレーニングされます。
さらに、連合確率的勾配降下法 (FedSGD) と連合平均化 (FedAVG) という 2 つの異なる連合学習最適化アルゴリズムを実装して比較しました。
私たちの結果は、フェデレーション ラーニングにより、医療機関の外部にデータを抽出することなくプライバシーの問題に対処しながら、病院の LOS を正確に予測できることを示しています。

要約(オリジナル)

Predicting hospital length of stay (LOS) reliably is an essential need for efficient resource allocation at hospitals. Traditional predictive modeling tools frequently have difficulty acquiring sufficient and diverse data because healthcare institutions have privacy rules in place. In our study, we modeled this problem as an empirical graph where nodes are the hospitals. This modeling approach facilitates collaborative model training by modeling decentralized data sources from different hospitals without extracting sensitive data outside of hospitals. A local model is trained on a node (hospital) by aiming the generalized total variation minimization (GTVMin). Moreover, we implemented and compared two different federated learning optimization algorithms named federated stochastic gradient descent (FedSGD) and federated averaging (FedAVG). Our results show that federated learning enables accurate prediction of hospital LOS while addressing privacy concerns without extracting data outside healthcare institutions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google