Auto-FedAvg：用于多机构医学图像分割的可学习联邦平均
图像与视频处理
2021-04-22 v1 计算机视觉与模式识别
摘要
联邦学习(federated learning, FL)能够在保护各参与方隐私的同时实现协作式模型训练，这对医学领域尤为有益。FedAvg 是一种标准算法，在 FL 过程中使用固定权重（通常源自各客户端的数据集规模）在服务器上聚合分布式学习的模型。然而，客户端间数据分布的非一致性（即 FL 中的 non-i.i.d 问题）可能使设定固定聚合权重的假设变为次优。本工作中，我们设计了一种新的数据驱动方法，即 Auto-FedAvg，其聚合权重根据数据孤岛间的数据分布及模型当前训练进度动态调整。我们将参数集解耦为两部分：局部模型参数与全局聚合参数，并以通信高效的算法迭代更新它们。我们首先在 CIFAR-10 的异构数据划分上以优于 SOTA FL 方法的图像识别表现验证了方法的有效性。此外，我们在两项多机构医学图像分析任务上展示了算法的有效性，即胸部 CT 中 COVID-19 病灶分割与腹部 CT 中胰腺分割。
引用
@article{arxiv.2104.10195,
title = {Auto-FedAvg: Learnable Federated Averaging for Multi-Institutional Medical Image Segmentation},
author = {Yingda Xia and Dong Yang and Wenqi Li and Andriy Myronenko and Daguang Xu and Hirofumi Obinata and Hitoshi Mori and Peng An and Stephanie Harmon and Evrim Turkbey and Baris Turkbey and Bradford Wood and Francesca Patella and Elvira Stellato and Gianpaolo Carrafiello and Anna Ierardi and Alan Yuille and Holger Roth},
journal= {arXiv preprint arXiv:2104.10195},
year = {2021}
}