On the Impact of Data Heterogeneity in Federated Learning Environments with Application to Healthcare Networks

联邦学习（FL）允许多个涉及隐私的应用程序在不披露信息的情况下利用其数据集进行全局模型构建。其中一个领域是医疗保健，各个孤立的医疗机构合作生成具有改进准确性和泛化性的全局预测器。然而，固有的挑战在于医疗数据的高异质性，需要复杂的评估和补偿技术。本文全面探讨了FL环境中异质性的数学形式化和分类，重点关注医疗数据的复杂性。特别是，我们针对基于数量、特征和标签分布的异质性，评估和比较了最流行的FL算法，旨在提供FL系统中数据异质性对医疗保健网络的影响的定量评估，以及FL算法选择的指南。我们的研究通过针对医疗数据使用案例所面临的独特挑战，对七种最常见的FL算法进行了基准测试。本文的目标是通过一组由不同联邦医院孤立收集的表格临床报告，预测中风复发的风险，讨论了在这种情况下经常遇到的数据异质性及其对FL性能的影响。

本论文旨在探讨在医疗领域中，如何解决数据异构性对于联邦学习的影响，并提供一份FL算法选择的指南。

论文通过对医疗数据异构性进行分类，评估和比较了七种常见的FL算法，以解决数据异构性对于FL系统的影响，并在预测卒中复发风险的任务中进行了实验验证。

论文的亮点包括：对医疗数据异构性的分类和量化评估；评估和比较七种常见的FL算法在医疗数据中的表现；实验使用了真实的临床报告数据集，并提供了开源代码。

最近的相关研究包括：'Towards Federated Learning at Scale: System Design'、'Federated Learning: Challenges, Methods, and Future Directions'等。