[论文解读] HHHFL: Hierarchical Heterogeneous Horizontal Federated Learning for Electroencephalography
本文提出 HHHFL，一种分层的异构横向联邦学习框架，通过流形投影和基于 MMD 的域损失将异构 EEG 设备数据对齐到一个公共嵌入空间，从而实现隐私保护的跨设备 EEG 分类。
Electroencephalography (EEG) classification techniques have been widely studied for human behavior and emotion recognition tasks. But it is still a challenging issue since the data may vary from subject to subject, may change over time for the same subject, and maybe heterogeneous. Recent years, increasing privacy-preserving demands poses new challenges to this task. The data heterogeneity, as well as the privacy constraint of the EEG data, is not concerned in previous studies. To fill this gap, in this paper, we propose a heterogeneous federated learning approach to train machine learning models over heterogeneous EEG data, while preserving the data privacy of each party. To verify the effectiveness of our approach, we conduct experiments on a real-world EEG dataset, consisting of heterogeneous data collected from diverse devices. Our approach achieves consistent performance improvement on every task.
研究动机与目标
- 在隐私约束下，阐明设备异构数据的 EEG 分类挑战。
- 提出一个分层的异构横向联邦学习框架，以对齐异构的 EEG 信号。
- 开发流形投影和域对齐策略，以在不暴露原始数据的前提下实现共享学习。
- 在现实世界的异构 EEG 数据上展示相对于本地基线的改进。
提出的方法
- 构建设备特定的流形投影，将异构 EEG 嵌入映射到共同嵌入空间。
- 将分类损失与基于最大均值差异（Maximum Mean Discrepancy，MMD）的域损失结合，以最小化跨设备的分布差异。
- 优化联合损失 L = L_C + sum_{i<j} lambda_{i,j} MMD^2(Q_i, Q_j) 以对齐表示。
- 应用带有服务器聚合器的横向联邦学习，在不共享原始数据的情况下更新特征映射和 EEG 分类器。
- 使用联邦平均（Federated Averaging）在同一设备的客户端之间聚合映射模型，在所有设备之间聚合分类器。
- 在 MindBigData 上使用异构设备进行评估，以验证相较于本地基线的性能改进。
实验结果
研究问题
- RQ1来自不同设备的异构 EEG 数据是否能够有效对齐到一个共同的嵌入空间以实现联合学习？
- RQ2分层异构横向联邦学习是否比设备特异模型或简单聚合在 EEG 分类性能上有提升？
- RQ3流形投影和基于 MMD 的域损失在缓解跨设备分布差异方面有多高的有效性？
- RQ4所提出的 HHHFL 框架的隐私保护性质和训练动态是什么？
主要发现
- HHHFL 的性能优于在单个设备数据上训练的本地基线模型。
- 使用两个或三个设备数据集进行训练在准确率上有提升且收敛更快。
- 从更多设备获取更多数据可以带来进一步的精度提升，正如在 MindBigData 实验中所观察到的。
- 同一设备类型的客户端协同训练一个特征映射，将异构数据映射到一个共同的嵌入空间。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。