基于脑暴优化的群体学习用于糖尿病视网膜病变图像分类

近年来，深度学习技术应用于医学问题已引起广泛研究兴趣，例如将卷积神经网络应用于医学图像分类任务。然而，医学数据通常高度私密，导致不同医院无法共享数据以训练准确模型。联邦学习作为一种隐私保护的机器学习架构，通过保持私有数据在客户端侧并使用中心服务器协调客户端进行模型训练（通过聚合其上传的模型参数），在平衡数据隐私和模型实用性方面显示出前景。然而，这种架构高度依赖可信任的第三方服务器，这在现实中难以实现。群体学习作为一种需要中心服务器的去中心化联邦学习架构，利用区块链技术实现客户端之间直接的参数交换。然而，区块的挖矿需要大量计算资源，限制了其可扩展性。为此，本文将脑暴优化算法集成到群体学习框架中，命名为 BSO-SL。该方法根据模型分布将相似客户端聚类到不同的群组中。此外，利用 BSO 的架构，客户端被赋予在其所属群组内以及与群组外的客户端之间进行协作学习的概率，从而防止模型收敛到局部最优。该方法在真实世界的糖尿病视网膜病变图像分类数据集上进行了验证，实验结果表明该方法的有效性。