A Comparative Study of Federated Learning Models for COVID-19 Detection

要約

ディープ ラーニングは COVID-19 の診断に効果的であり、効果的にトレーニングするには大量のデータが必要です。
データとプライバシーの規制により、病院は通常、他の病院からのデータにアクセスできません。
この問題を解決するためにフェデレーテッド ラーニング (FL) が使用されており、分散設定を利用して、病院でプライバシーを保護しながらモデルをトレーニングします。
FL の展開は、高い計算リソースとネットワーク通信リソースを必要とするため、常に実現可能とは限りません。
この論文では、Covid-19 検出のための 5 つの FL アルゴリズムのパフォーマンスとリソース効率を評価します。
CNN ネットワークによる分散設定がセットアップされ、FL アルゴリズムのパフォーマンスが集中環境と比較されます。
さまざまな数の参加者、連合ラウンド、および選択アルゴリズムを使用してアルゴリズムを調べました。
私たちの結果は、周期的な体重移動が全体的なパフォーマンスを向上させる可能性があり、参加病院が少ないほど結果が良くなることを示しています.
私たちの結果は、COVID-19 患者を検出するための優れたパフォーマンスを示しており、covid-19 検出および一般的な医療画像分析のための FL アルゴリズムの展開に役立つ可能性があります。

要約(オリジナル)

Deep learning is effective in diagnosing COVID-19 and requires a large amount of data to be effectively trained. Due to data and privacy regulations, hospitals generally have no access to data from other hospitals. Federated learning (FL) has been used to solve this problem, where it utilizes a distributed setting to train models in hospitals in a privacy-preserving manner. Deploying FL is not always feasible as it requires high computation and network communication resources. This paper evaluates five FL algorithms’ performance and resource efficiency for Covid-19 detection. A decentralized setting with CNN networks is set up, and the performance of FL algorithms is compared with a centralized environment. We examined the algorithms with varying numbers of participants, federated rounds, and selection algorithms. Our results show that cyclic weight transfer can have better overall performance, and results are better with fewer participating hospitals. Our results demonstrate good performance for detecting COVID-19 patients and might be useful in deploying FL algorithms for covid-19 detection and medical image analysis in general.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google