机构名称：
¥ 1.0
摘要 - 目前，大多数医疗机构都面临着使用零散和孤立数据来解决疾病预测问题的统一模型的挑战。尽管联邦学习已成为隐私保存模型培训的公认范式，但如何将联合学习与fMRI的时间特征相结合以增强预测性能是功能疾病预测的公开问题。为了解决这一具有挑战性的任务，我们提出了一个新型的联合图形时空（FedGST）脑功能疾病预测的框架。具体来说，锚采样用于处理本地客户端的可变长度时间序列数据。然后，动态功能连接图是通过滑动窗口和Pearson相关系数生成的。接下来，我们提出了一个启动时间模型，以从本地客户端的动态功能连接图中提取时间信息。最后，隐藏的激活变量发送到全局服务器。我们在全球服务器上提出了一个UniteGCN模型，以接收和处理来自客户端的隐藏激活变量。然后，全局服务器将渐变信息返回给客户端以进行反向传播和模型参数更新。客户端模型在本地服务器上汇总了模型参数，并将其分配给客户端以进行下一轮培训。我们证明，FedGST在Abide-1和ADHD200数据集上优于其他联合学习方法和基准。索引术语 - 跨时期，联邦学习，脑功能疾病，图表学习
Dunee Fedgst Mao大学，Junbin
主要关键词
相关文件推荐
