首项婴儿运动分析联邦学习框架提出，引入不确定性感知聚合
论文AI 评分 62/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对婴儿运动分析依赖集中训练带来的隐私与数据共享限制，Edmond S. L. Ho 提出首个基于骨骼运动数据的自动化婴儿运动分析与全身运动评估（GMA）联邦学习框架。该框架在烦躁运动分类任务上进行评估，推理时采用蒙特卡洛 Dropout 估算预测不确定性。在此基础上提出不确定性感知联邦平均（UA-FedAvg）策略，将预测熵纳入聚合过程，依不确定性调整客户端贡献。三客户端实验表明，联邦学习较独立训练显著提升分类性能，接近集中训练水平；UA-FedAvg 及其结合验证损失的变体在多种数据划分下均优于常规 FedAvg。该论文已被 IEEE FLTA26 接收。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载临床痛点与框架提出
婴儿运动分析能为早期识别神经发育障碍提供生物标志物。深度学习已能基于视频提取的骨骼表征实现自动化分析，在全身运动评估等任务上达到专家水平。然而现有方法多需将多机构数据集中至单一站点训练，这在临床中因隐私与数据治理限制难以落地。为此，作者提出首个基于骨骼运动数据的婴儿运动分析及全身运动评估联邦学习框架，以烦躁运动分类作为临床用例进行验证。
不确定性感知聚合策略
为量化模型置信度，该框架在推理阶段利用蒙特卡洛 Dropout 估计预测不确定性。基于此，作者提出不确定性感知联邦平均（UA-FedAvg）策略，将 MC-Dropout 产生的预测熵融入联邦聚合过程，使各客户端在全局模型更新中的权重依其预测不确定性动态调整。此外，还提出了结合验证损失的 UA-FedAvg 变体，进一步优化聚合效果。
实验结果与会议接收
在三个客户端的联邦学习设定与跨受试者评估协议下，实验表明联邦学习较各端独立训练显著提升分类性能，且接近集中式训练水平。在评估的数据划分配置中，UA-FedAvg 及其结合验证损失的变体普遍超越传统 FedAvg 算法。该研究已被 IEEE 第4届联邦学习技术与应用国际会议（FLTA26）接收。
为什么值得看
解决临床多中心数据孤岛与隐私难题，UA-FedAvg为医疗联邦学习提供按不确定性加权的新聚合思路。
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。