通过自动权重调整联邦学习与个人化实现皮肤疾病诊断中的公平性

皮肤疾病对全球健康构成重大威胁，影响近三分之一的世界人口。多项研究表明，早期诊断和干预往往对预后和结果至关重要。为此，过去十年见证了基于深度学习的智能手机应用的快速发展，它们使用户能够方便及时地识别皮肤周围出现的问题。为了收集深度学习所需的充足数据并同时保护患者隐私，常采用联邦学习，其中各客户端在保持数据集本地化的同时聚合全局模型。然而，现有联邦学习框架大多旨在优化整体性能，而常见的皮肤疾病数据集严重不平衡。当将联邦学习应用于此类数据集时，可能出现诊断准确率的显著差距。为解决这一公平性问题，本文提出一种面向皮肤疾病诊断的公平性感知联邦学习框架。该框架分为两个阶段：在第一个 in-FL 阶段，具有不同皮肤类型的客户端在联邦学习过程中训练以构建适用于所有皮肤类型的全局模型。此过程中使用自动权重聚合器，为损失较高的客户端分配更高权重，聚合器强度由损失间差异程度决定。在随后的 post-FL 阶段，各客户端基于 in-FL 阶段的全局模型微调其个性化模型。为获得更好公平性，为每个客户端选择不同轮次的模型，以将不同皮肤类型的准确率差异保持在 0.05 以内。实验表明，与当前最优方法相比，我们提出的框架有效提升了公平性与准确率。