論文の概要: Personalized On-Device E-health Analytics with Decentralized Block
Coordinate Descent
- arxiv url: http://arxiv.org/abs/2112.09341v1
- Date: Fri, 17 Dec 2021 06:23:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-20 15:47:34.058991
- Title: Personalized On-Device E-health Analytics with Decentralized Block
Coordinate Descent
- Title(参考訳): Decentralized Block Coordinate Descent を用いたデバイス上のE-Health分析
- Authors: Guanhua Ye, Hongzhi Yin, Tong Chen, Miao Xu, Quoc Viet Hung Nguyen,
and Jiangning Song
- Abstract要約: 古典的なクラウドベース/分散eヘルスパラダイムでは、すべてのデータが、モデルトレーニングを容易にするために、サーバに中央に保存されます。
我々は、分散化されたデバイス上に分散されたディープニューラルネットワークベースのモデルを最適化し、E-Health分析のために、分散ブロックコーディネートDescent(D-BCD)学習フレームワークを提案する。
- 参考スコア(独自算出の注目度): 31.1216484913789
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Actuated by the growing attention to personal healthcare and the pandemic,
the popularity of E-health is proliferating. Nowadays, enhancement on medical
diagnosis via machine learning models has been highly effective in many aspects
of e-health analytics. Nevertheless, in the classic cloud-based/centralized
e-health paradigms, all the data will be centrally stored on the server to
facilitate model training, which inevitably incurs privacy concerns and high
time delay. Distributed solutions like Decentralized Stochastic Gradient
Descent (D-SGD) are proposed to provide safe and timely diagnostic results
based on personal devices. However, methods like D-SGD are subject to the
gradient vanishing issue and usually proceed slowly at the early training
stage, thereby impeding the effectiveness and efficiency of training. In
addition, existing methods are prone to learning models that are biased towards
users with dense data, compromising the fairness when providing E-health
analytics for minority groups. In this paper, we propose a Decentralized Block
Coordinate Descent (D-BCD) learning framework that can better optimize deep
neural network-based models distributed on decentralized devices for E-health
analytics. Benchmarking experiments on three real-world datasets illustrate the
effectiveness and practicality of our proposed D-BCD, where additional
simulation study showcases the strong applicability of D-BCD in real-life
E-health scenarios.
- Abstract(参考訳): 個人医療やパンデミックへの注目が高まり、Eヘルスの人気が高まっている。
今日では、機械学習モデルによる医療診断の強化は、eヘルス分析の多くの面で非常に効果的である。
それでも、古典的なクラウドベース/集中型eヘルスパラダイムでは、すべてのデータがサーバに集中的に格納され、モデルトレーニングが容易になる。
Decentralized Stochastic Gradient Descent (D-SGD)のような分散ソリューションを提案し、パーソナルデバイスに基づいた安全かつタイムリーな診断結果を提供する。
しかし、D-SGDのような手法は勾配の消滅の問題に悩まされ、通常は早期訓練の段階でゆっくりと進み、訓練の有効性と効率を阻害する。
さらに、既存の手法は、密度の高いデータを持つユーザーに対して偏りのあるモデルを学習する傾向があり、少数グループにeヘルス分析を提供する際の公平性を損なう。
本稿では,eヘルス分析のために分散デバイス上に分散した深層ニューラルネットワークモデルをより良く最適化する分散型ブロック座標降下(d-bcd)学習フレームワークを提案する。
3つの実世界のデータセットのベンチマーク実験は、提案したD-BCDの有効性と実用性を示し、さらにシミュレーション研究により、実生活のE-HealthシナリオにおけるD-BCDの強い適用性を示す。
関連論文リスト
- MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。
PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。
提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2023-09-27T14:39:41Z) - Revolutionizing Disease Diagnosis: A Microservices-Based Architecture
for Privacy-Preserving and Efficient IoT Data Analytics Using Federated
Learning [0.0]
深層学習に基づく疾患診断の応用は、様々な疾患の段階での正確な診断に不可欠である。
処理リソースをデバイスに近づけることで、分散コンピューティングパラダイムは、病気の診断に革命をもたらす可能性がある。
本研究では、プライバシとパフォーマンス要件を満たすために、IoTデータ分析システムに対するフェデレーションベースのアプローチを提案する。
論文 参考訳(メタデータ) (2023-08-27T06:31:43Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳(メタデータ) (2023-03-02T17:27:45Z) - Deep Stable Representation Learning on Electronic Health Records [8.256340233221112]
CHE(Causal Healthcare Embedding)は、診断と処置の依存関係を取り除くことで、突発的な統計的関係を取り除くことを目的としている。
提案手法は,既存の深層学習モデルをEHR上で拡張可能な,フレキシブルなプラグアンドプレイモジュールとして利用できる。
論文 参考訳(メタデータ) (2022-09-03T04:10:45Z) - Application of federated learning techniques for arrhythmia
classification using 12-lead ECG signals [0.11184789007828977]
この作業では、フェデレートラーニング(FL)プライバシ保護方法論を使用して、高定義のECGの異種集合上でAIモデルをトレーニングする。
CL, IID, 非IIDアプローチを用いて訓練したモデルと比較した。
論文 参考訳(メタデータ) (2022-08-23T14:21:16Z) - Decentralized Distributed Learning with Privacy-Preserving Data
Synthesis [9.276097219140073]
医療分野では、患者と臨床データの均一性を生かして、多施設共同研究がより一般化可能な発見をもたらすことがしばしばある。
最近のプライバシー規制は、データの共有を妨げ、その結果、診断と予後をサポートする機械学習ベースのソリューションを考案する。
ローカルノードの機能を統合する分散分散手法を提案し、プライバシを維持しながら複数のデータセットをまたいで一般化可能なモデルを提供する。
論文 参考訳(メタデータ) (2022-06-20T23:49:38Z) - Self-Supervised Graph Learning with Hyperbolic Embedding for Temporal
Health Event Prediction [13.24834156675212]
本稿では,情報フローを組み込んだハイパーボリック埋め込み手法を提案する。
我々は、これらの事前学習された表現をグラフニューラルネットワークに組み込んで、疾患の合併症を検出する。
本稿では,EHRデータを完全に活用する自己教師付き学習フレームワークに,階層型で強化された履歴予測代行タスクを提案する。
論文 参考訳(メタデータ) (2021-06-09T00:42:44Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Consensus Control for Decentralized Deep Learning [72.50487751271069]
ディープラーニングモデルの分散トレーニングは、ネットワーク上のデバイス上での学習と、大規模計算クラスタへの効率的なスケーリングを可能にする。
理論上、トレーニングコンセンサス距離が重要な量よりも低い場合、分散化されたトレーニングは集中的なトレーニングよりも早く収束することを示す。
私たちの経験的な洞察は、パフォーマンス低下を軽減するために、より分散化されたトレーニングスキームの原則設計を可能にします。
論文 参考訳(メタデータ) (2021-02-09T13:58:33Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳(メタデータ) (2020-05-03T02:36:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。