Aprendizaje federado eficiente para datos de neuroimagen distribuidos

Los recientes avances en neuroimagen han llevado a un mayor intercambio de datos entre la comunidad científica. Sin embargo, las instituciones frecuentemente mantienen el control sobre sus datos, citando preocupaciones relacionadas con la cultura de investigación, la privacidad y la responsabilidad. Esto crea una demanda de herramientas innovadoras capaces de analizar conjuntos de datos amalgamados sin la necesidad de transferir datos reales entre entidades. Para abordar este desafío, proponemos una estrategia de aprendizaje federado (FL) descentralizado y escaso. Este enfoque enfatiza el entrenamiento local de modelos escasos para facilitar una comunicación eficiente dentro de tales marcos. Al capitalizar la escasez del modelo y compartir selectivamente parámetros entre los sitios clientes durante la fase de entrenamiento, nuestro método reduce significativamente la sobrecarga de comunicación. Esta ventaja se vuelve cada vez más pronunciada al trabajar con modelos más grandes y al acomodar las diversas capacidades de recursos de varios sitios. Demostramos la efectividad de nuestro enfoque a través de la aplicación al conjunto de datos del Desarrollo Cognitivo del Cerebro Adolescente (ABCD).