AI Summary & Key Takeaways
AI InsightNotably, the duCBA algorithm delivers stable and consistent accuracy (67–71%) across different feature selection methods and varying client numbers, particularly excelling in scenarios with fewer clients.
📌 3 Key Takeaways
Abstract
Machine learning has gained great importance in the healthcare industry due to its ability to extract meaningful information from large datasets. Nonetheless, the sensitive nature of health data presents serious privacy concerns, limiting the feasibility of centralized data collection and the applicability of conventional machine learning algorithms. To address these challenges, this study employs a federated learning-based aggregation algorithm, Data Unaware Classification Based on Association (duCBA), for disease prediction tasks. Model training was conducted using two publicly available health datasets: Diabetes Health Indicators and Heart Attack Prediction. Prior to training, feature selection techniques including Mutual Information, Chi-Square, and Principal Component Analysis (PCA) were applied to generate three distinct datasets. The system architecture comprises a central server, an API server, and multiple clients. Clients locally train models on their own data without sharing it externally. The API server collects these locally trained models and transmits them to the central server. The central server then aggregates them using the duCBA algorithm and disseminates the updated global model back to the clients. This research not only demonstrates the practical viability of duCBA in federated settings but also compares its performance against the widely-used Federated Averaging (FedAvg) algorithm. Experimental results reveal that duCBA achieves comparable performance to FedAvg while offering improved model transparency in line with Explainable Artificial Intelligence (XAI) principles. Notably, the duCBA algorithm delivers stable and consistent accuracy (67–71%) across different feature selection methods and varying client numbers, particularly excelling in scenarios with fewer clients.
Özet
Makine öğrenmesi, büyük ölçekli verilerden anlamlı bilgiler çıkarma yeteneği sayesinde sağlık sektöründe giderek artan bir öneme sahip olmuştur. Ancak sağlık verilerinin hassas doğası, gizlilik endişelerini beraberinde getirmekte ve verilerin merkezi sunucularda toplanmasını, dolayısıyla geleneksel makine öğrenmesi algoritmalarının uygulanabilirliğini kısıtlamaktadır. Bu çalışmada, söz konusu sorunlara çözüm olarak, federated learning (federe öğrenme) temelli bir birleştirme algoritması olan Data Unaware Classification Based on Association (duCBA) hastalık tahmini amacıyla kullanılmıştır. Model eğitimi, Diabetes Health Indicators ve Heart Attack Prediction adlı iki açık erişimli sağlık veriseti kullanılarak gerçekleştirilmiştir. Eğitime başlamadan önce Mutual Information, Chi-Square ve Principal Component Analysis (PCA) gibi öznitelik seçimi yöntemleri uygulanarak üç farklı veri kümesi oluşturulmuştur. Sistem mimarisi; bir merkezî sunucu, bir API sunucusu ve birden fazla istemciden oluşmaktadır. İstemciler, verilerini paylaşmadan kendi cihazlarında yerel modelleri eğitmektedir. API sunucusu, bu yerel modelleri toplayarak merkezî sunucuya iletmektedir. Merkezî sunucu ise bu modelleri duCBA algoritması ile birleştirerek güncel küresel modeli istemcilere tekrar dağıtmaktadır. Bu çalışma, duCBA algoritmasının federe ortamlarda uygulanabilirliğini ortaya koymakla kalmayıp, yaygın olarak kullanılan Federated Averaging (FedAvg) algoritması ile performans karşılaştırmasını da içermektedir. Sonuçlar, duCBA’nın FedAvg ile benzer performans sergilediğini ve aynı zamanda Açıklanabilir Yapay Zekâ (XAI) ilkeleriyle uyumlu olarak modelin karar süreçlerini şeffaf biçimde izlemeye olanak tanıdığını göstermektedir. Farklı öznitelik seçimi yöntemleri ve istemci sayılarıyla yapılan testlerde, özellikle az sayıda istemcinin bulunduğu sistemlerde duCBA algoritmasının istikrarlı ve dengeli bir başarı sağladığı ve %67–71 arasında tutarlı doğruluk oranı elde ettiği gözlemlenmiştir.