Ensemble Federated Learning: an approach for collaborative pneumonia diagnosis

要約

フェデレーテッド ラーニングは、(i) データの交換がプライバシー上の懸念を暗示している場合、および/または (ii) 迅速な対応が必要な場合のシナリオにとって非常に便利なアプローチです。
スマート ヘルスケア システムでは、通常、両方の側面が必要です。
この論文では、最初のシナリオに取り組みます。このシナリオでは、プライバシーの保護が鍵となるため、異なる医療機関や研究センター (計算ノード) からの異なるデータ セットを融合することによって、独自で大規模な医療画像データ セットを構築することは選択肢になりません。
私たちは、次の特性に基づいたアンサンブル連合学習 (EFL) アプローチを提案します。 まず、各計算ノードは異なるデータ セット (ただし同じタイプ) を処理します。
彼らはローカルで動作し、8 つのよく知られた CNN モデル (densenet169、mobilenetv2、xception、inceptionv3、vgg16、resnet50、densenet121、および resnet152v2) を組み合わせたアンサンブル アプローチを胸部 X 線画像に適用します。
次に、最良の 2 つのローカル モデルを使用して、中央ノードと共有されるローカル アンサンブル モデルを作成します。
3 番目に、アンサンブル モデルが集約されてグローバル モデルが取得され、そのモデルが計算ノードと共有されて新しい反復が継続されます。
この手順は、最良のローカル モデルに変更がなくなるまで続けられます。
私たちは、私たちのアプローチを集中型のアプローチと比較するためにさまざまな実験を実行しました (アンサンブル アプローチの有無にかかわらず)\color{black}。
その結果、我々の提案は胸部 X 線画像においてこれらの提案を上回っており (精度 96.63\% を達成)、文献内の他の提案と比較して非常に競争力のある結果を提供していると結論付けられています。

要約(オリジナル)

Federated learning is a very convenient approach for scenarios where (i) the exchange of data implies privacy concerns and/or (ii) a quick reaction is needed. In smart healthcare systems, both aspects are usually required. In this paper, we work on the first scenario, where preserving privacy is key and, consequently, building a unique and massive medical image data set by fusing different data sets from different medical institutions or research centers (computation nodes) is not an option. We propose an ensemble federated learning (EFL) approach that is based on the following characteristics: First, each computation node works with a different data set (but of the same type). They work locally and apply an ensemble approach combining eight well-known CNN models (densenet169, mobilenetv2, xception, inceptionv3, vgg16, resnet50, densenet121, and resnet152v2) on Chest X-ray images. Second, the best two local models are used to create a local ensemble model that is shared with a central node. Third, the ensemble models are aggregated to obtain a global model, which is shared with the computation nodes to continue with a new iteration. This procedure continues until there are no changes in the best local models. We have performed different experiments to compare our approach with centralized ones (with or without an ensemble approach)\color{black}. The results conclude that our proposal outperforms these ones in Chest X-ray images (achieving an accuracy of 96.63\%) and offers very competitive results compared to other proposals in the literature.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google