基于 NCA 的公平联邦学习
计算机视觉与模式识别
2025-06-30 v1
摘要
联邦学习（FL）通过在不共享敏感患者数据的情况下实现跨机构协作模型训练，尤其适用于中低收入国家（LMICs），在那里对训练有素的医疗专业人员资源有限。然而，LMICs 的 FL 采用面临诸多挑战，包括有限的高性能计算资源和不可靠的互联网连接。为此，我们引入 FedNCA，一个专为医学图像分割任务设计的新型 FL 系统。FedNCA 利用轻量级 Med-NCA 架构，能够在低成本边缘设备（如广泛可用的智能手机）上进行训练，同时最小化通信成本。此外，我们的加密就绪 FedNCA 适用于受破坏网络通信。通过克服基础设施和安全挑战，FedNCA 为包容、高效、轻量级和加密就绪的医学影像解决方案铺平了道路，推动了资源受限地区的公平医疗发展。
引用
@article{arxiv.2506.21735,
title = {Equitable Federated Learning with NCA},
author = {Nick Lemke and Mirko Konstantin and Henry John Krumb and John Kalkhof and Jonathan Stieber and Anirban Mukhopadhyay},
journal= {arXiv preprint arXiv:2506.21735},
year = {2025}
}