Model-Free-Communication Federated Learning: Framework and application to Precision Medicine

Abstract

The problem of executing machine learning algorithms over data while complying with data privacy is highly relevant in many application areas, including medicine in general and Precision Medicine in particular. In this paper, an innovative framework for Federated Learning is proposed that allows performing machine learning and effectively tackling the issue of data privacy while taking a step towards security during communication. Unlike the standard federated approaches where models should travel on the communication networks and would be subject to possible cyberattacks, the models proposed by our framework do not need to travel, thus moving in the direction of security improvement. Another very appealing feature is that it can be used with any machine learning algorithm provided that, during the learning phase, the model updating does not depend on the input data. To show its effectiveness, the learning process is here accomplished by an Evolutionary Algorithm, namely Grammatical Evolution, thus also obtaining explicit knowledge that can be provided to the domain experts to justify the decisions made. As a test case, glucose values prediction for a number of patients with type 1 diabetes is considered and is tackled as a classification problem, the goal being to predict for any future value a possible range. Finally, a comparison of the performance of the proposed framework is performed against that of a non-Federated Learning approach.Problém spouštění algoritmů strojového učení nad daty při současném dodržování ochrany osobních údajů je vysoce aktuální v mnoha aplikačních oblastech, včetně medicíny obecně a přesné medicíny konkrétně. V tomto dokumentu je navržen inovativní rámec pro federativní učení, který umožňuje provádět strojové učení a efektivně řešit problém ochrany osobních údajů a zároveň učinit krok směrem k bezpečnosti během komunikace. Na rozdíl od standardních federativníh přístupů, kde by modely měly být přenášeny po komunikačních sítích a byly by vystaveny možným kybernetickým útokům, modely navrhované námi nemusí, a tak se ubírají směrem ke zlepšení bezpečnosti. Další velmi zajímavou funkcí je, že jej lze použít s jakýmkoliv algoritmem strojového učení za předpokladu, že během fáze učení není aktualizace modelu závislá na vstupních datech. Aby se ukázala jeho účinnost, proces učení je zde prováděn evolučním algoritmem, jmenovitě gramatickou evolucí, čímž se také získávají explicitní znalosti, které mohou být poskytnuty odborníkům v oblasti, aby ospravedlnili učiněná rozhodnutí. Jako testovací případ je použita predikce hodnot glukózy pro pacienty s diabetem 1. typu a je řešena jako klasifikační problém, přičemž cílem je předpovědět pro jakoukoli budoucí hodnotu možný rozsah. Nakonec je provedeno srovnání výkonu navrhovaného rámce s výkonem nefederativního přístupu učení.