弥合跨孤岛联邦医学图像分割的泛化差距
计算机视觉与模式识别
2023-02-24 v2
摘要
近年来，跨孤岛联邦学习（FL）在基于深度学习的医学影像分析中备受关注，因为它可以解决数据不足、数据隐私和训练效率等关键问题。然而，FL训练的模型与集中训练模型之间可能存在泛化差距。这一重要问题源于参与客户端本地数据的非独立同分布数据分布，即众所周知的客户端漂移。在这项工作中，我们提出了一种新颖的训练框架FedSM，以避免客户端漂移问题，并首次成功弥合了与集中训练在医学图像分割任务上的泛化差距。我们还提出了一种新颖的个性化FL目标公式和一种新方法SoftPull，以在我们提出的框架FedSM中求解该目标。我们进行了严格的理论分析，以保证其优化非凸光滑目标函数的收敛性。使用深度FL的真实世界医学图像分割实验验证了我们所提方法的动机和有效性。
引用
@article{arxiv.2203.10144,
title = {Closing the Generalization Gap of Cross-silo Federated Medical Image Segmentation},
author = {An Xu and Wenqi Li and Pengfei Guo and Dong Yang and Holger Roth and Ali Hatamizadeh and Can Zhao and Daguang Xu and Heng Huang and Ziyue Xu},
journal= {arXiv preprint arXiv:2203.10144},
year = {2023}
}
备注
CVPR 2022