A Federated Learning-Inspired Evolutionary Algorithm: Application to Glucose Prediction

Abstract

V tomto článku navrhujeme inovativní evoluční rámec inspirovaný federativním učením. práci. Jeho hlavní novinkou je to, že je to poprvé, kdy je evoluční algoritmus použit na sám o sobě k přímému provádění činnosti federativního učení. Další novinka spočívá v tom, že, na rozdíl od ostatních rámců federativního učení v literatuře se ten náš dokáže efektivně vypořádat současně se dvěma relevantními problémy v oblasti strojového učení, tj. soukromím dat a interpretovatelností řešení. Náš rámec se skládá z přístupu master/slave, v němž každý slave obsahuje lokální data, chránící rozumná soukromá data, a využívá evoluční algoritmus k vytváření predikčních modelů. Master sdílí prostřednictvím slave lokálně naučené modely, které vznikají na každém slave. Výsledkem sdílení těchto lokálních modelů jsou globální modely. Vzhledem k tomu, že soukromí a interpretovatelnost dat jsou v lékařské oblasti velmi významné, je algoritmus testován k předpovídání budoucích hodnot glukózy u diabetických pacientů s využitím algoritmu gramatické evoluce. Účinnost tohoto procesu sdílení znalostí je hodnocena experimentálně porovnáním navrhovaného rámce s jiným, kde k výměně lokálních modelů nedochází. Výsledky ukazují, že výkonnost navrhovaného přístupu je lepší, a prokazují oprávněnost jeho procesu sdílení pro vznik lokálních modelů pro osobní léčbu diabetu, využitelných jako účinné globální modely. Vezmeme-li v úvahu další subjekty nezapojené do procesu učení, vykazují modely objevené naším rámcem vyšší schopnost generalizace než modely dosažené bez sdílení znalostí: zlepšení, které poskytuje sdílení znalostí, se rovná přibližně 3,03 % pro přesnost, 1,56 % pro odvolání, 3,17 % pro F1 a 1,56 % pro přesnost. Statistická analýza navíc odhaluje statistickou převahu výměny modelů nad případem, kdy k výměně nedochází.