医学影像联邦学习方法中的数据异质性实验研究
机器学习
2021-07-20 v1 人工智能
计算机视觉与模式识别
摘要
联邦学习使多家机构能够以隐私保护的方式在其本地数据上协作训练机器学习模型。然而,其分布式特性常导致各机构间数据分布的显著异质性。本文中,我们研究了一类数据异质性机制对联邦学习方法的有害影响,包括数量偏斜、标签分布偏斜和成像采集偏斜。我们表明性能随数据异质性程度增加而下降。我们提出了若干缓解策略以克服数据异质性导致的性能下降,包括针对数据数量偏斜的加权平均、针对标签分布偏斜的加权损失与批归一化平均。所提出的联邦学习方法优化提升了其处理跨机构异质性的能力,为联邦学习在实际临床应用中的部署提供了宝贵指导。
引用
@article{arxiv.2107.08371,
title = {An Experimental Study of Data Heterogeneity in Federated Learning Methods for Medical Imaging},
author = {Liangqiong Qu and Niranjan Balachandar and Daniel L Rubin},
journal= {arXiv preprint arXiv:2107.08371},
year = {2021}
}