Federated learning (FL) is an active area of research. One of the most suitable areas for adopting FLis the medical domain, where patient privacy must be respected. Previous research, however, does notfully consider who will most likely use FL in the medical domain. It is not the hospitals who are eagerto adopt FL, but the service providers such as IT companies who want to develop artificial intelligencemodels with real patient records. Moreover, service providers would prefer to focus on maximizing theperformance of the models at the lowest cost possible. In this work, we propose empirical benchmarks ofFL methods considering both performance and monetary cost with three real-world datasets: electronichealth records, skin cancer images, and electrocardiogram datasets. We also propose Federated learningwith Proximal regularization eXcept local Normalization (FedPxN), which, using a simple combinationof FedProx and FedBN, outperforms all other FL algorithms while consuming only slightly more powerthan the most power efficient method.
인공지능에서 연합학습은 활발히 연구가 이루어지고 있는 분야이다. 의료 도메인에서는 환자의 프라이버시 보호가 중요하기에 연합학습의 활용이 가장 적합한 분야는 의료 도메인이다. 그런데, 의료 도메인에서연합학습은 누가 가장 연합학습을 사용할 것인지에 대한 고려 없이 진행되었다. 실제로, 연합학습의 도입을 가장 바라는 것은 병원이 아니라 실제 환자 기록으로 인공지능 모델을 개발하려는 IT 기업 등 서비스제공업체들이다. 게다가, 서비스 업체들은 가능한 적은 비용에 가장 높은 모델의 성능을 얻기를 원한다.해당 연구에서는, 모델의 성능과 비용을 고려하여 세 개의 현실세계 데이터셋인 전자의무기록, 의료이미지,심전도 데이터를 활용한 벤치마크를 제시한다. 또한 우리는 기존의 좋은 성능을 보였던 두가지 방법론을활용하여 가장 소비전력이 좋은 방법에 비해 약간의 소비전력을 더 사용하지만 대체적으로 좋은 성능을보이는 새로운 연합학습 방법론을 제시한다.