Effizientes föderiertes Lernen für verteilte Neuroimaging-Daten

Jüngste Fortschritte im Neuroimaging haben zu einem größeren Datenaustausch innerhalb der wissenschaftlichen Gemeinschaft geführt. Institutionen behalten jedoch häufig die Kontrolle über ihre Daten und führen Bedenken hinsichtlich der Forschungskultur, der Privatsphäre und der Rechenschaftspflicht an. Dies schafft eine Nachfrage nach innovativen Werkzeugen, die in der Lage sind, amalgamierte Datensätze zu analysieren, ohne tatsächlich Daten zwischen den Einrichtungen zu übertragen. Um diese Herausforderung zu meistern, schlagen wir eine dezentrale sparse föderierte Lernstrategie (FL) vor. Dieser Ansatz betont das lokale Training sparsamer Modelle, um eine effiziente Kommunikation innerhalb solcher Rahmenbedingungen zu erleichtern. Durch die Ausnutzung der Modell-Sparsity und das selektive Teilen von Parametern zwischen den Client-Standorten während der Trainingsphase senkt unsere Methode erheblich den Kommunikationsaufwand. Dieser Vorteil wird zunehmend deutlich, wenn es um größere Modelle geht und die unterschiedlichen Ressourcenfähigkeiten der verschiedenen Standorte berücksichtigt werden. Wir demonstrieren die Wirksamkeit unseres Ansatzes durch die Anwendung auf den Adolescent Brain Cognitive Development (ABCD) Datensatz.