无数据蒸馏提升联邦胸部疾病分析的效率和隐私性
图像与视频处理
2023-11-01 v2 计算机视觉与模式识别
机器学习
摘要
在大规模、多中心和多扫描仪环境下的胸部疾病分析常受严格隐私政策限制。联邦学习（FL）提供了一种潜在解决方案，而传统的基于参数的 FL 可能受高通信成本、数据泄露与异质性等问题制约。基于蒸馏的 FL 可提升效率，但其依赖代理数据集，在临床实践中往往不切实际。为应对这些挑战，我们引入一种无数据蒸馏的 FL 方法 FedKDF。在 FedKDF 中，服务器采用轻量生成器聚合来自不同客户端的知识，无需访问其私有数据或代理数据集。FedKDF 将客户端的预测器组合为单一统一预测器，并利用轻量生成器中学到的知识进一步优化。我们的实证实验表明，FedKDF 为高效、隐私保护的联邦胸部疾病分析提供了稳健方案。
引用
@article{arxiv.2310.18346,
title = {Data-Free Distillation Improves Efficiency and Privacy in Federated Thorax Disease Analysis},
author = {Ming Li and Guang Yang},
journal= {arXiv preprint arXiv:2310.18346},
year = {2023}
}
备注
Accepted by the IEEE EMBS International Conference on Data Science and Engineering in Healthcare, Medicine & Biology