파킨슨병 진단
FedHealth
개인 프로필 생성
- To mitigate privacy issues, federated learning can be employed to build generic activity classification model by aggregating a locally trained model at a user-edge device.
- 개인 정보 보호 문제를 완화하기 위해 연합 학습을 사용하여 사용자 엣지 장치에서 로컬로 훈련된 모델을 집계하여 일반적인 활동 분류 모델을 구축할 수 있습니다.
- This paper adopted a deep-learning neural network model called the transformer for motion signal time-series analysis.
- 본 논문에서는 동작 신호 시계열 분석을 위해 '트랜스포머'라고 불리는 딥러닝 신경망 모델을 채택했습니다.
- It uses the attention mechanism to provide context for each point in the time series.
- 이 모델은 각 시계열의 지점에 대한 맥락을 제공하기 위해 주의 메커니즘을 사용합니다.
- It also compares federated learning’s performance to centralized learning.
- 또한 연합 학습의 성능을 중앙 집중식 학습과 비교합니다.
- Experimental results show that federated learning outperformed centralized training without compromising user data privacy, with an accuracy of 96.87%.
- 실험 결과는 연합 학습이 사용자 데이터의 개인 정보 보호를 저해하지 않으면서도 96.87%의 정확도로 중앙 집중식 훈련보다 우수한 성능을 보였습니다.
- 첫째, 우리는 프로파일 기반 유사성을 활용한 개인 맞춤형 연합 학습에 대한 새로운 접근 방식을 제안합니다. 이 방법은 모델 개인화를 향상시키기 위해 개인 프로필 정보를 통합하여 전통적인 FL 기술을 넘어서는 것을 목표로 합니다. 클라이언트 간 유사성을 프로필 특성을 기반으로 고려함으로써, 각각의 개인의 독특한 패턴과 선호도를 더 잘 포착하는 개인화된 전역 모델을 생성하고자 합니다. 이 접근 방식은 모델의 일반성, 훈련 안정성 및 계산 리소스 효율성 면에서 진보를 제공하여 개인화된 FL의 발전에 기여합니다.
- 둘째, 시스템이 상호 연결되어 있지만 스마트 건강에 대한 주요 장벽은 보안 및 개인 정보 보호에 대한 우려, 통신 부담 및 엄격한 규정입니다. 특히 데이터가 개인의 로컬 장치에 수집 및 저장될 때 이러한 문제가 심각합니다. 비록 연합 학습은 이러한 문제를 해결하는 데 유용하지만, 데이터 분포의 이질성으로 인한 도전에 직면하고 있습니다. 따라서 이 방법은 스마트 및 연결된 건강의 고전적인 작업 중 하나인 휴대용 센서 기반 인간 활동 인식에 중점을 두었습니다. FL의 데이터 분포 이질성을 해결함으로써, 우리는 모든 메트릭에서 뛰어난 인식 성능을 달성했습니다. 이 성과는 우리가 의료 지원을 향상시키고 개인 정보를 유지하면서도 의도치 않은 활동, 예를 들어 우박 등을 정확하게 감지할 수 있는 능력을 보여줍니다.
