基于非对称互惠的联邦学习方法，用于解决医学诊断中的差异问题
机器学习
2024-12-30 v1 分布式、并行与集群计算
摘要
地理性健康差异是当前面临的全球性紧迫挑战，尤其在低中等收入国家的资源不足地区。要解决这一问题，需要一种协作方法来提升医疗质量，借助来自医疗资源更发达地区的支持。联邦学习作为实现这一目标的有前景的工具。然而，资源不足地区的医疗数据稀缺且计算资源有限，这使得对强大机器学习模型的协作训练提出了挑战。此外，资源不足地区与发达地区之间存在非对称的互惠关系。为克服这些挑战，我们提出了一种新的跨砖块联邦学习框架，名为 FedHelp，旨在减轻地理性健康差异并强化资源不足地区的诊断能力。具体而言，FedHelp 通过一次性 API 访问基础模型知识，指导资源不足小型客户端的学习过程，解决数据不足的问题。此外，我们引入了一种新的非对称双向知识蒸馏模块，用于管理非对称互惠问题，促进发达大型客户端与资源不足小型客户端之间必要知识的交换。我们通过在医学图像分类和分割任务上的大量实验验证了 FedHelp 的有效性和实用性。实验结果表明，与最先进的基线方法相比，FedHelp 在性能上显著提升，尤其受益于资源不足地区的客户端。
引用
@article{arxiv.2412.19654,
title = {Asymmetrical Reciprocity-based Federated Learning for Resolving Disparities in Medical Diagnosis},
author = {Jiaqi Wang and Ziyi Yin and Quanzeng You and Lingjuan Lyu and Fenglong Ma},
journal= {arXiv preprint arXiv:2412.19654},
year = {2024}
}
备注
Jiaqi Wang and Ziyi Yin equally contributed to this paper. This paper has been accepted by KDD 2025