类型 | 说明 |
---|---|
论文信息 | Multi-Institutional Deep Learning Modeling Without Sharing Patient Data: A Feasibility Study on Brain Tumor Segmentation Micah J Sheller, G Anthony Reina1, Brandon Edwards, Jason Martin, and Spyridon Bakas |
解决的问题 | 隐私保护下非数据共享的分布式深度学习系统 |
系统结构 | ![]() |
方法名称 | Federated Learning (FL) |
方法说明 | 1.owner不用分享数据,仅仅本地训练得到model,进而将得到的modell更新给中心服务器 2.中心服务器将各站点上传的更新权重取平均进行聚合 3.中心服务器分发聚合更新后的权重给各个站点 |
超参数 | 1.每轮训练的周期(Epochs per round, EpR) 2.每轮训练的参与者数量 3.模型更新压缩/剪枝方法 |
对比现在方法 | 1.Cyclic Institutional Incremental Learning (CIIL) 2.Institutional Incremental Learning (IIL) |
Model | U-Net![]() |
数据 | BraTS多模态数据,取FLAIR单模态训练 |
实验 | 单站点Data-sharing分布,模拟多站点分布,现实的BraTs分布 |
1 | BraTs分布上的实验结果 |
2 | 基准测试–Dice Coefficient: D C = 2 ∣ P ⋂ |
Multi Institution Deep Learning Modeling Without Sharing Patient Data
最新推荐文章于 2019-12-09 15:18:10 发布