FedProx：基于FedSplit算法的联邦学习用于医疗数据通信中的统计和系统异质性

分布式机器学习提供的应用场景比传统集中式机器学习更为实际和高效。然而，并非所有的安全需求都能通过分布式学习得以满足。在医疗行业，越来越多的人开始采用物联网（IoT）设备来捕获个人数据以进行医疗诊断和治疗。通过使用联邦学习，有可能在训练大量分散的数据的同时保护用户数据。客户端数据的异质性是联邦学习（FL）背景下一个众所周知的难题。提出的解决方案是定制的联邦学习（PFL），这是一个为客户端需求开发本地模型的框架。在PFL中，通常同时构建两个模型，一个用于本地使用，另一个用于全球使用；前者用于泛化，后者则用于通知和更新前者。为了构建更好的定制模型，必须意识到全球模型和本地模型都可以得到增强，以提高其泛化潜力。安全的异质性医疗数据收集和训练已成为联邦学习中的首要任务。为了应对统计和系统异质性，本文提出了一种新颖的混合联邦学习方法，使用FedProx：FedSplit算法。数据异质性的存在和严重性决定了可能需要的联邦学习方法类型。FedProx方法在用户数据被横向分区时会对本地模型的变化进行平均，这意味着不同的样本具有相同的特征。当处理垂直分区的数据源时，可能需要FedSplit等技术来对齐特征空间或分离模型层，这表明它们包含独特特征但样本重叠。由于统计变异性，跨不同分布的数据学习是具有挑战性的，设备级系统的限制意味着每个设备只能完成有限的工作，FedProx：FedSplit模型确保了我们方法的收敛性。更具体地说，与当前的FL模型相比，FedProx：FedSplit在非常多样的条件下表现出更加稳定和精确的收敛行为，整体测试准确性平均提高了35%。