21、机器学习中的概念漂移处理与框架分析

机器学习中的概念漂移处理与框架分析

1. 联邦学习的潜力

机器学习（ML），尤其是深度学习（DL），在数字健康领域带来了诸多创新。由于所有ML方法都能从接近实际全球分布的数据访问中显著受益，联邦学习（FL）成为获取准确、安全、稳健且无偏模型的有前景的方法。

FL允许多方在不共享或集中数据集的情况下进行协作训练，巧妙地解决了敏感医疗数据泄露的问题。它为研究和商业开辟了新方向，有潜力改善全球患者护理。目前，FL几乎影响了所有利益相关者和整个护理周期，从改进医学图像分析为临床医生提供更好的诊断工具，到通过帮助寻找相似患者实现真正的精准医学，以及协作加速药物开发，为制药公司降低成本和缩短上市时间。尽管并非所有技术障碍都已解决，但未来十年，FL无疑将是一个活跃的研究领域，其对精准医学和最终改善医疗护理的潜在影响非常可观。

2. 处理概念漂移

2.1 概念漂移处理方法分类

处理概念漂移的方法根据对漂移发生时更新学习者的方式，可分为两大类：
- 知情方法 ：仅在检测到并确认漂移时才更新学习者。使用一组变化指标来触发学习者的更新，根据真实标签的可用性，这些指标又分为有监督和无监督变化指标。有监督变化指标假设传入模式的真实标签立即可用，而无监督指标则监控学习者复杂性或特征空间中数据分布属性的变化。
- 盲方法 ：无论是否发生漂移，都持续根据传入的数据模式更新学习者。

此外，处理概念漂移的方法还可分为顺序和基于窗口的方法：
- 顺序方法 ：数据样本一到达就进行处理，然后丢弃。
-