基于强化学习的联邦脑肿瘤分割协作者选择
机器学习
2024-12-31 v1 计算机视觉与模式识别
摘要
联邦学习 (FL) 使可以在保护数据隐私的同时跨去中心化数据集进行协作模型训练。然而，在动态 FL 环境中最佳选择参与协作者的任务仍然具有挑战性。我们提出了 RL-HSimAgg，即一种基于强化学习 (RL) 和相似度加权聚合 (simAgg) 的新型算法，利用调和均数管理异常数据点。本文提出将多臂老虎机算法应用于协作者选择和模型泛化，以在探索-开发制之间取得平衡，这些 RL 方法可促进资源高效训练并处理多样化数据集。我们展示了 Epsilon-greedy (EG) 和上置置信界 (UCB) 算法在联邦脑肿瘤病灶分割中的有效性。在内部和外部验证集上的仿真实验中，使用 UCB 选择的协作者在所有指标上均优于 EG 方法，分别实现了0.7334、0.7432和0.8252的 Dice 分数，分别对应于增强肿瘤、肿瘤核心和整颗肿瘤的分割。因此，对于 Federated Tumor Segmentation Challenge (FeTS 2024)，我们考虑以 UCB 作为联邦 Glioblastoma 病灶分割中多模态 MRI 的主要客户端选择方法。总之，本研究表明，基于强化学习的协作者管理（例如使用 UCB）在分布式学习环境中，尤其是在像脑肿瘤分割这样的领域，可能提高模型的鲁棒性和灵活性。
引用
@article{arxiv.2412.20253,
title = {Election of Collaborators via Reinforcement Learning for Federated Brain Tumor Segmentation},
author = {Muhammad Irfan Khan and Elina Kontio and Suleiman A. Khan and Mojtaba Jafaritadi},
journal= {arXiv preprint arXiv:2412.20253},
year = {2024}
}