FedDAPL：面向客户端私有化的联邦学习
机器学习
2025-09-30 v1
摘要
联邦学习（FL）在每个研究中心或诊所本地训练模型并仅聚合模型更新，因而成为医学影像领域的自然选择，后者受严格的隐私法律约束，禁止原始数据共享。一个主要障碍是扫描器引起的 domain shift：硬件或获取协议的非生物性差异可能导致模型在外部站点失败。大多数和谐化方法通过直接比较跨站点数据来纠正此类偏移，与 FL 的隐私约束相冲突。域泛化（DG）提供了一种更友好的替代方案——在不共享原始数据的情况下学习站点不变的表征，但标准 DG 流程仍假设对多站点数据的集中访问，又违反了 FL 的保证。本文通过在 FL 过程中集成域对抗神经网络（DANN）来应对这些困难。我们证明，简单的联邦 DANN无法收敛，随后提出一种proximal regularization 方法以稳定各客户端之间的对抗训练。在 OpenBHB 数据集上的实验，使用 15 个站点训练，在 19 个不可见站点上测试，结果表明该方法在保持数据隐私的同时，优于 FedAvg 和 ERM 实现了跨站点的优异跨域泛化。
引用
@article{arxiv.2509.23688,
title = {FedDAPL: Toward Client-Private Generalization in Federated Learning},
author = {Soroosh Safari Loaliyan and Jose-Luis Ambite and Paul M. Thompson and Neda Jahanshad and Greg Ver Steeg},
journal= {arXiv preprint arXiv:2509.23688},
year = {2025}
}
备注
4 Pages