针对医学影像的跨客户端变异自适应联邦学习(CVVA-FL)
计算机视觉与模式识别
2025-08-26 v8 人工智能
机器学习
摘要
联邦学习(FL)提供了一种在去中心化数据上训练模型的隐私保护方法，其在医疗领域的潜力巨大，但由于医学图像数据中的跨客户端变异问题，尤其是标注有限，面临挑战。本文引入交叉客户端变异自适应联邦学习(CCVA-FL)以解决此类问题。CCVA-FL旨在通过将图像转换为常见特征空间来最小化跨客户端变异。它涉及对每个客户端的子集图像进行专家标注，然后选择数据复杂度最低的客户端作为目标。基于目标客户端的标注图像，使用可扩展扩散模型(Transformer, DiT)生成合成医学图像。这些合成图像在捕获多样性并代表原始数据方面发挥作用，随后与其他客户端共享。每个客户端随后将本地图像转换为目标图像空间，使用图像到图像转换进行转换。转换后的图像随后用于联邦学习设置以开发服务器模型。我们的结果表明，CCVA-FL在不损失隐私的情况下有效地解决了跨客户端的数据分布差异，优于Vanilla联邦平均。
引用
@article{arxiv.2407.11652,
title = {CCVA-FL: Cross-Client Variations Adaptive Federated Learning for Medical Imaging},
author = {Sunny Gupta and Amit Sethi},
journal= {arXiv preprint arXiv:2407.11652},
year = {2025}
}
备注
Need improvement