FCA：通过分类器锚定驯服长尾联邦医学图像分类
计算机视觉与模式识别
2023-05-02 v1
摘要
有限的训练数据与严重的类别不平衡给开发临床鲁棒深度学习模型带来重大挑战。联邦学习（FL）通过使不同医疗客户端能够在不共享数据的情况下协作训练深度模型，解决了前者。然而，由于客户端间类别分布差异，类别不平衡问题依然存在。为克服此问题，我们提出联邦分类器锚定（FCA），在每个客户端添加个性化分类器，通过一致性学习引导并去偏联邦模型。此外，FCA 基于各自类别分布对联邦分类器与每个客户端的个性化分类器去偏，从而缓解分歧。借助 FCA，联邦特征提取器有效学习到既适合全局联邦、又适合所有参与者局部的判别性特征。在临床实践中，联邦模型应既具泛化性（在客户端间表现良好），又具专门性（使每个个体客户端从协作中受益）。据此，我们提出一种新颖评估指标，在聚合公共测试集上全局、在各客户端局部评估模型的泛化与专门性能。通过综合比较与评估，FCA 在联邦长尾皮肤病变分类与颅内出血分类上以大幅优势超越 SOTA 方法，使其成为临床环境中更可行的方案。
引用
@article{arxiv.2305.00738,
title = {FCA: Taming Long-tailed Federated Medical Image Classification by Classifier Anchoring},
author = {Jeffry Wicaksana and Zengqiang Yan and Kwang-Ting Cheng},
journal= {arXiv preprint arXiv:2305.00738},
year = {2023}
}
备注
submitted for publication