NVIDIA FLARE 與聯合學習 Federated Learning

我們都知道，為了要增加人工智慧演算法的精確度，餵養大量的資料，訓練演算法或是驗證結果是相當重要的過程。但有時候各組織考量到隱私權，無法自由地共享資料，變成每個人手上的資料都太小，無法訓練出有效的通用模型。我們要怎麼做才能兼顧個人資料的隱私，又能相互合作訓練出所需要的人工智慧模型呢？

Google 在 2016 年推出了「聯合學習」這項全新的觀念1，聯合學習能夠讓敏感的患者資料，在不離開終端設備的前提下，進行機器學習。用分散各地、去中心化的數據，來訓練中心化的模型。演算法只會將醫院裝置上整合過後得到的資料，回傳到資料中心的伺服器上，保護個人資料隱私。

聯合學習的中央伺服器架構

聯合學習在醫療上的應用

以醫療產業為例，醫療的資訊多半具有高度隱密性，不同的醫院與診所之間，都各自擁有一定資料量的中小型資料庫。但醫療是人工智慧產業中發展最快的產業之一，無論是判讀醫療影像、解析病歷、提供專家建議等都需要藉由既有患者的資料，對人工智慧模型進行訓練。

目前即便是相當大型的醫療開源資料庫，大約也只收錄到六位數的資料。更不用提許多罕見疾病，很多單一的醫師或團隊終其一生，可能也不過收集到區區幾百甚至幾千個案例。要用在機器學習領域，是遠遠不夠的。此時聯合學習就是一種相當有用的模式。

聯合學習因為並不仰賴特定機構的資料集，即便有任何一間參與的機構突然退出，也不會讓整個訓練的過程崩潰。同樣的，這個訓練的機制也隨時歡迎新的醫院加入新的資料集。對於提供中型資料庫的醫學中心來說，參與計畫，能夠有效擴充資料庫規模，提升模型的準確度；對於地區醫院或小型診所來說，參與聯合學習計畫，能夠得到經過淬煉後的人工智慧模型，一舉數得。

NVIDIA FLARE 運作原理

NVIDIA FLARE：聯合學習應用程式執行階段環境

人工智慧的龍頭 NVIDIA 也開發了能夠協助聯合學習的 NVIDIA FLARE v2.0 。這是一種聯合學習開放原始碼的 SDK，資料科學家透過 NVIDIA FLARE v2.0 只需要分享模型權重，而非私密資料本身，因此能參與訓練，開發出通用的人工智慧模型。

NVIDIA FLARE 指的是「聯合學習應用程式執行階段環境（Federated Learning Application Runtime Environment）」。這是 NVIDIA Clara Train 聯合學習軟體上的基礎引擎，已經應用在醫學影像、腫瘤研究、基因分析工作及 COVID-19 研究的各種 AI 應用上。

NVIDIA FLARE 可以使用既有的MONAI框架，也可以讓研究者自訂控制器(Controller)的工作流程，自行調度參與聯合學習的所有終端用戶 (Worker) 上的資料，執行不同任務，在從各個用戶端收集結果，進行聚合，並更新全域模型，以持續進行訓練。在每一次調度時，皆可透過自選的篩選器，處理任務資料或結果。

使用 NVIDIA FLARE 進行聯合學習的開發實例

• 總部設於英國的藥物研發聯盟 MELLODDY，就是全球最大利用聯合學習進行人工智慧開發的聯盟，能讓合作夥伴共同提供藥物資料集進行訓練，又不會暴露資料過於隱私的細節。
• 倫敦國王學院目前也希望應用聯合學習，將中風與神經功能缺損分類、判斷癌症的根本原因、給予患者最佳治療方案的專家集建議。
• 美國放射學會與會員們運用聯合學習，在 ACR AI-LAB 中用於研究判讀乳癌與 COVID-19 的放射影像。

你可以在 NVIDIA/NVFlare 上找到更多範例。

參考文獻 1：Google 為了解釋聯合學習的圖像版說明：

https://federated.withgoogle.com/