FedBiCross：基于医学图像的个性化单轮联邦学习
机器学习
2026-05-29 v3
摘要
数据自由知识蒸馏的单轮联邦学习(OSFL)通过单次通信轮次完成模型训练，无需共享原始数据，因而在隐私敏感的医疗应用中具有吸引力。然而，现有方法将所有客户端的预测结果聚合以形成全局教师。在非独立同分布(iid)数据下，聚合过程会稀释各客户端的预测，导致信息不足的软标签，从而削弱蒸馏效果。我们提出FedBiCross，一个具有三个阶段的个性化OSFL框架：(1)依据模型输出相似性对客户端进行聚类，以形成连贯的子集成；(2)基于跨集群的双层优化，学习自适应权重，以选择性地利用有益的跨集群知识，同时抑制负向迁移；(3)针对每个客户端的个性化蒸馏。在四个医学图像数据集上进行的实验表明，FedBiCross在不同非iid程度下均显著优于当前最先进的基线方法。
引用
@article{arxiv.2601.01901,
title = {FedBiCross: Personalized One-Shot Federated Learning on Medical Images},
author = {Yuexuan Xia and Yinghao Zhang and Yalin Liu and Hong-Ning Dai and Yong Xia},
journal= {arXiv preprint arXiv:2601.01901},
year = {2026}
}