基于 gossip 对比互学习的联邦医学图像分割去中心化个性化

联邦学习 (FL) 为医疗机构之间进行协作模型训练提供了可行途径，能够在不泄露数据隐私的前提下实现知识交换。然而，基础联邦学习容易受到服务器故障影响，且鲜有在数据分布不均的各参与方上实现最佳性能。为克服这些挑战，我们提出 gossip 对比互学习 (GCML)，一个统一的框架，用于在去中心化环境中优化个性化模型，采用 gossip 协议实现灵活可靠的点对点通信。为在每次通信中实现高效可靠的知识交换而无需跨所有站点获取全局知识，我们引入深度对比互学习 (DCML)，这是一种简单而有效的方案，通过在本地数据上进行协同训练，鼓励来自传入模型和本地模型之间的知识传递。通过将 DCML 集成到利用来自同行有用信息来优化特定站点模型的其他努力中，我们在三个具有不同分割任务的公开数据集上评估了所提方法的性能和效率。我们的广泛实验结果表明，所提 GCML 框架在显著降低通信开销的同时，优于集中式和去中心化联邦学习方法，表明其具有在实际场景中部署的潜力。一旦手稿被接受，代码将在：https://github.com/CUMC-Yuan-Lab/GCML 上提供。