FedCAR：联邦学习中生成模型的跨客户端自适应重加权
计算机视觉与模式识别
2024-12-17 v1 人工智能
机器学习
摘要
在多机构数据集上训练的生成模型可以通过多样化的数据分布提供更丰富的理解。然而，由于医院出于隐私原因不愿共享数据，在医学图像上训练模型通常具有挑战性。联邦学习（FL）作为一种隐私保护解决方案出现，通过聚合来自多个客户端的模型权重而不是共享原始数据，在数据中心之间训练分布式数据集。先前的研究探索了将FL适应于生成模型，但专门针对生成模型的有效聚合算法仍未得到探索。我们在此提出一种新颖的算法，旨在提高FL中生成模型的性能。我们的方法自适应地重新加权每个客户端的贡献，从而得到训练良好的共享参数。在每一轮中，服务器端测量客户端生成的假图像之间的分布距离，而不是直接比较每个客户端的Fréchet Inception距离，从而提高了学习效率。在三个公开胸部X光数据集上的实验结果显示，在医学图像生成方面性能优越，优于集中式学习和传统FL算法。我们的代码可在https://github.com/danny0628/FedCAR获取。
引用
@article{arxiv.2412.11463,
title = {FedCAR: Cross-client Adaptive Re-weighting for Generative Models in Federated Learning},
author = {Minjun Kim and Minjee Kim and Jinhoon Jeong},
journal= {arXiv preprint arXiv:2412.11463},
year = {2024}
}