群体学习超越中央协调员的联邦学习

目前，在某些疾病的诊断领域，人工智能的准确性已经超越了医生的水平。

这些可靠的诊断结果得益于建立在庞大数据集上的机器学习。

然而，实际上可用于训练的医疗数据非常分散，试图将全球的数据汇集在一起会引发对数据所有权、隐私、保密和安全等问题的担忧，甚至可能引发数据垄断。

虽然联邦学习等常用方法在一定程度上可以解决这些问题，但该模型的参数集中处理造成了“权力”的集中，同时其星形架构也降低了容错性。

那么，是否还有更好的解决方案呢？

答案是肯定的！NatuRe最近在封面上介绍了一种名为SwaRM learning（群体学习，SL）的全新机器学习方法。

该方法结合边缘计算和基于区块链的对等网络，摒弃了“中央协调员”的模式，超越了传统的联邦学习，能够在不违反隐私法规的前提下整合来自全球的医疗数据。

研究人员通过四种异质性疾病（结核病、COVID-19、白血病和肺部病变）验证了SwaRM learning方法在使用分布式数据进行疾病诊断方面的可行性。

那么，具体是如何实现的呢？

群体学习方法采用去中心化的架构，并利用私有许可的区块链技术来实现。

整个SwaRM网络由多个SwaRM边缘节点构成，这些节点通过网络共享参数，每个节点利用私有数据和网络提供的模型进行自身模型的训练。

该方法提供了安全措施，以通过私有许可区块链技术确保数据的所有权、安全性和机密性。

只有经过预先授权的参与者才能加入网络，新节点的加入是动态的，通过适当的授权措施识别参与者，并通过区块链智能合约进行注册，允许参与者获取模型并执行本地模型训练。

当本地模型训练达到预设的同步条件后，便可以通过SwaRM的API交换模型参数，并在下一轮训练开始前合并新的参数配置以更新模型。

△ 群体学习与其他机器学习方法的架构对比

因此，该群体学习方法具备以下特点：

数据所有者的医疗数据保留在本地；不需交换原始数据，从而减少数据流量；提供高水平的数据安全保护；无需中央管理员即可确保分散成员安全、透明和公平地加入；允许所有成员平等地合并参数；保护机器学习模型免受攻击。

为了验证该方法在基于分布式数据进行疾病诊断方面的可行性，研究人员用其诊断了四种疾病。

在区分轻度和重度COVID-19时，其表现优于单个节点。

首先是白血病的诊断。

研究人员将超过12000个样本数据“孤立”到各个节点，以模拟现实世界中分布在不同医疗中心的数据。

然后利用群体学习训练这些数据以诊断未知患者，结果显示无论如何改变各节点的样本分布，群体学习方法的诊断准确率均优于单个节点。

接下来，使用群体学习识别结核病或肺部病变患者，结果同样优越，即使在减少训练样本数量后，群体学习的预测效果仍然优于任何单一节点。

紧跟疫情，研究人员还检测了群体学习在新冠病毒诊断中的效果。

结果显示，在区分轻度和重度COVID-19时，群体学习的表现再次优于单个节点。

最后，研究人员指出，作为一种去中心化的学习方法，群体学习有望取代当前跨机构医学研究中的数据共享模式，在确保数据隐私的同时，帮助人工智能获得更丰富多样的数据，从而提高疾病诊断的准确率。