驳斷联邦学习中优化信myth：面向医学图像分类的实证研究
机器学习
2025-07-29 v1 图像与视频处理
信号处理
摘要
联邦学习 (FL) 是一种协作式学习方法，可在保持数据隐私的同时实现分布式模型训练。尽管其在医学影像中的前景广阔，但近期的 FL 方法往往对局部因素（如优化器和学习率）敏感，限制了其在实际部署中的鲁棒性。本文我们重新审视 vanilla FL，以澄清边缘设备配置的影响，在 colorectal 病理和血细胞分类任务上对最新 FL 方法进行基准测试。我们数值表明，局部优化器和学习率的选择对性能影响大于特定 FL 方法。此外，我们发现增加局部训练 epoch 要么会增强，要么会损害收敛，这取决于 FL 方法。这些发现表明，合适的边缘特定配置对于实现有效的 FL 至关重要，而非算法复杂度。
引用
@article{arxiv.2507.19822,
title = {Debunking Optimization Myths in Federated Learning for Medical Image Classification},
author = {Youngjoon Lee and Hyukjoon Lee and Jinu Gong and Yang Cao and Joonhyuk Kang},
journal= {arXiv preprint arXiv:2507.19822},
year = {2025}
}
备注
Accepted to Efficient Medical AI Workshop - MICCAI 2025