Progress Seminar 2018. 7.10 선석규
Neural-rim Segmentation 연구 진행 상황 보고 녹내장 진단 (안과 Pf. 박기호) 재난 대응 (응급 의학과 Pf. 신상도) MER 분석 (신경외과 Pf. 백선하) 기타 녹내장 예후예측 OCT Classification 시야검사지 판별 Neural-rim Segmentation 2주전 계획 Segmentation 알고리즘 구현 반대쪽 Recording 신호 이용하여 분석 연구 결과 Method작성하여 전달 GCIPL, RNFL만 이용 데이터 변경 후 재 진행 및 안과전달 U-Net 설계 및 적용 PAPR착용부 개선 및 추가 장비 제작 주제 마무리 하아늘 선생님 학위논문 revision Federated Learning 시험삼아 진행 문제점 및 대책 목표 및 계획 필드테스트 준비
Federated Learning Federated Learning : 데이터 공유 없이 각자 device에서 train 후 최종 weight를 합치는 방법(데이터 공유 없어서 개인정보 issue 없음) Distributed Learning : computation만 여러 컴퓨터로 진행 통합 모델(하늘색) 각각의 client에서 각자 데이터로 학습 Communication-Efficient Learning of Deep Networks for Decentralized Data
Federated Learning 새 통합 모델(분홍색) 통합 모델 배포
Federated Learning(Update) Federated SGD Gradient Averaging Weight averaging Federated AVG Minibatch 개념이 도입됨(batch 별로 update) Hyperparameter(C(Communication),E(Epoch),B(Batch) 설정에 따라 communication줄음
Result Communication count 99% Accuracy를 달성하는 동안의 Epoch과 batch E,B에 따라 communication count를 절약할 수 있음
Result 성능 비교 : 통합> FedAvg 성능보다는 보안성
입술 데이터에 적용 본원 보라매 본원2 분당 연구목표 Client를 하나씩 추가했을 때 Test accuracy가 올라가는 것을 확인 현재 상황 보유 컴퓨터 3대를 이용해서 simulation중(병원ip는 포트가 다 막힘) Train data : 본원(1628), 분당(289), 보라매(100), Open data(100) Test data : 본원(345)고정 본원
입술 데이터에 적용 - Result 현재 상황 보유 컴퓨터 3대를 이용해서 simulation중 Train data : 본원(1628), 분당(289) (두 종류만 이용) Test data : 본원(345)고정 Model : Multi Layer Perceptron(1-hidden layer) 결과 : Test acc 66%(논문 acc 80%) Parameter Server Worker 0 chief 모델이 저장되는 곳 Worker 1
입술 데이터에 적용 - Result 추후 진행 사항 모델을 SE-net, ResNet으로 바꿔 봄 Worker 1의 데이터를 본원을 제외한 모든 데이터로 바꿈 성능 향상 확인(local training과 비교) Batch와 Epoch변경 후 성능비교 저장 된 모델