一种用于医学影像分类的基于特征引导整流流与知识蒸馏的新型单次联邦学习框架
计算机视觉与模式识别
2025-08-12 v2 分布式、并行与集群计算
摘要
在多中心场景中，单次联邦学习（OSFL）因其低通信开销（仅需单轮传输）而受到越来越多的关注。然而，现有的基于生成模型的OSFL方法在医疗领域存在训练效率低和潜在的隐私泄露问题。此外，在非独立同分布（non-IID）数据下，单轮模型聚合难以实现收敛。为了解决这些挑战，本文提出了一种改进的OSFL框架，其中开发了新的特征引导整流流模型（FG-RF）和双层知识蒸馏（DLKD）聚合方法。客户端上的FG-RF通过合成特征级图像而非像素级图像，加速了医学影像场景中的生成建模，同时保护了隐私。为了处理非独立同分布，DLKD使全局学生模型在聚合过程中能够同时模仿客户端教师模型的输出logits并对齐其中间层特征。在三个非独立同分布医学影像数据集上的实验结果表明，我们的新框架和方法优于多轮联邦学习方法，性能提升高达21.73%，并平均超过基线FedISCA 21.75%。此外，我们的实验表明，与像素级合成图像相比，特征级合成图像显著降低了隐私泄露风险。代码可在https://github.com/LMIAPC/one-shot-fl-medical获取。
引用
@article{arxiv.2507.19045,
title = {A New One-Shot Federated Learning Framework for Medical Imaging Classification with Feature-Guided Rectified Flow and Knowledge Distillation},
author = {Yufei Ma and Hanwen Zhang and Qiya Yang and Guibo Luo and Yuesheng Zhu},
journal= {arXiv preprint arXiv:2507.19045},
year = {2025}
}
备注
Accepted at ECAI 2025