FedDAG: 联邦域对抗生成面向通用医学图像分析
计算机视觉与模式识别
2025-01-28 v2 人工智能
摘要
联邦域泛化旨在从多个源域训练全局模型，并确保其对未知目标域的泛化能力。由于目标域具有未知的域迁移，尝试通过源域近似这些差距可能是提高模型泛化能力的关键。现有工作主要 focuses on 分享和重组本地域特定属性以增加数据多样性并模拟潜在域迁移。然而，这些方法可能不足，因为仅进行本地属性重组难以触及全局数据的分布外样本。在本文中，我们提出了一个简单而高效的框架，称为联邦域对抗生成 (FedDAG)。它旨在通过对抗生成与本地和全局源域不同的新型域来模拟域迁移并提高模型泛化能力。具体而言，通过最大化原始图像与生成图像之间的实例级特征差异来生成新风格图像，并通过最小化它们的特征差异来训练通用任务模型。进一步，我们观察到 FedDAG 可能导致本地模型表现出不同的性能提升。这可能是由于客户之间固有的隔离数据和异构性导致的，其对全局模型的泛化贡献不平衡。忽略这种不平衡会导致全局模型的泛化能力次优，进而限制新域生成过程。因此，为缓解这种不平衡，FedDAG 使用锐度概念在本地层面和跨客户端层面分层聚合本地模型。跨越四个医学基准的广泛实验表明，FedDAG 在联邦医疗场景中具有提高泛化能力。
引用
@article{arxiv.2501.13967,
title = {FedDAG: Federated Domain Adversarial Generation Towards Generalizable Medical Image Analysis},
author = {Haoxuan Che and Yifei Wu and Haibo Jin and Yong Xia and Hao Chen},
journal= {arXiv preprint arXiv:2501.13967},
year = {2025}
}