CEPerFed: 面向多脉冲 MRI 分类的通信高效个性化联邦学习
机器学习
2025-10-21 v1 人工智能
摘要
多脉冲磁共振成像(MRI)在临床实践中广泛应用，如阿尔茨海默病诊断。要训练用于多脉冲 MRI 分类的鲁棒模型，需要来自不同医疗机构的大量且具有多样性的数据，同时通过防止原始数据在机构之间共享来保护隐私。虽然联邦学习(FL)是解决此问题的可行方案，但由于数据异构性导致模型收敛不佳，以及由于模型中参数数量大导致的通信开销问题。为此，我们提出了一种名为 CEPerFed 的通信高效个性化 FL 方法。该方法通过融合客户端历史风险梯度和历史均值梯度来缓解数据异构性对模型收敛的影响。前者用于加权来自其他客户端的贡献，增强局部更新的可靠性；后者则强制局部更新与全局优化方向保持一致，以确保异构数据分布下的稳定收敛。为解决高通信开销问题，本文提出了一种分层奇异值分解(HSVD)策略，仅传输模型更新所需的最关键信息。实验在五个分类任务上表明，CEPerFed 方法有效。代码将在接受录用后发布至 https://github.com/LD0416/CEPerFed。
引用
@article{arxiv.2510.17584,
title = {CEPerFed: Communication-Efficient Personalized Federated Learning for Multi-Pulse MRI Classification},
author = {Ludi Li and Junbin Mao and Hanhe Lin and Xu Tian and Fang-Xiang Wu and Jin Liu},
journal= {arXiv preprint arXiv:2510.17584},
year = {2025}
}