一种提升医学联邦学习性能公平性的新视角

提高联邦学习（Federated Learning, FL）的公平性有助于实现健康且可持续的协作，尤其是在医学应用领域。然而，现有的公平FL方法忽略了医学FL应用的特定特征，即来自不同医院的数据集之间存在领域迁移（domain shift）。本文提出了Fed-LWR，以特征迁移的视角提高性能公平性，这是由领域迁移导致影响医学FL系统性能的关键问题。具体而言，我们通过估算本地模型与全局模型之间各层特征表示的差异，动态感知全局模型在所有医院之间的偏差。为最小化全局发散，我们赋予差异更大的医院更高的权重。估计得到的客户端权重有助于按层重新聚合本地模型，以获得更公平的全局模型。我们在两个广泛使用的医学图像分割基准数据集上对该方法进行评估。结果表明，该方法在多个领先的公平FL方法之上实现了更好的公平性能。