面向医学图像中标志点定位的异步去中心化联邦终身学习
机器学习
2024-01-11 v2 计算机视觉与模式识别
图像与视频处理
摘要
联邦学习是机器学习领域近期的发展，它允许一套设备在不将数据共享至单一位置或设备的情况下训练一个或多个任务。然而，该框架仍需要一个集中式全局模型将各个模型整合为一，且设备以同步方式训练，这两者都可能成为使用联邦学习的潜在瓶颈。在本文中，我们提出一种新颖的异步去中心化联邦终身学习（ADFLL）方法，其继承了联邦学习的优点，并可在无需中心节点或同步训练的情况下同时训练多个任务。从而克服了传统联邦学习的潜在缺陷。我们在脑肿瘤分割（BRATS）数据集上展示了在多个图像序列和图像方向上定位左心室的优异性能。我们的框架使智能体以7.81的平均距离误差取得最佳性能，优于传统全知智能体11.78的平均距离误差，且显著（p=0.01）优于训练八轮后距离误差为15.17的传统终身学习智能体。此外，所有ADFLL智能体均具有与传统LL智能体相当或更好的性能。总之，我们开发了一种相较于传统RL智能体具有优异性能和加速效果的ADFLL框架。
引用
@article{arxiv.2303.06783,
title = {Asynchronous Decentralized Federated Lifelong Learning for Landmark Localization in Medical Imaging},
author = {Guangyao Zheng and Michael A. Jacobs and Vladimir Braverman and Vishwa S. Parekh},
journal= {arXiv preprint arXiv:2303.06783},
year = {2024}
}