基于客户端贡献估计的公平联邦医学图像分割

如何确保公平性是联邦学习（FL）中的一个重要课题。近期研究探讨了如何基于客户端贡献进行奖励（协作公平性），以及如何实现各客户端间性能的一致性（性能公平性）。尽管在任一方面取得了进展，我们认为关键在于将二者统筹考虑，以吸引并激励更多异构客户端加入 FL，从而推导出高质量的全局模型。本工作中，我们提出一种同时优化两类公平性的新方法。具体而言，我们提出在梯度空间与数据空间中估计客户端贡献。在梯度空间，我们监测各客户端相对于其他客户端的梯度方向差异；在数据空间，我们利用辅助模型度量客户端数据上的预测误差。基于该贡献估计，我们提出一种 FL 方法——基于贡献估计的联邦训练（FedCE），即将估计值用作全局模型聚合权重。我们对方法进行了理论分析，并在两个真实世界医学数据集上进行了实证评估。我们方法的有效性已通过显著的性能提升、更好的协作公平性、更好的性能公平性以及全面的分析研究得到验证。