面向皮肤病变分类高效标注策略的联邦主动学习框架
计算机视觉与模式识别
2024-06-18 v1 机器学习
摘要
联邦学习(FL)使多个机构能够在不共享私有数据的情况下协作训练模型。当前的FL研究主要关注通信效率、隐私保护和个性化，并假设FL的数据已经理想地收集完毕。然而，在医疗场景中，数据标注既需要专业知识又需要密集的劳动，这是FL中的一个关键问题。主动学习(AL)在减少医学图像分析中的数据标注数量方面已展现出有前景的性能。我们提出了一个联邦主动学习(FedAL)框架，其中AL在FL下周期性地、交互式地执行。我们利用每家医院的本地模型和从FL获得的全局模型来构建一个集成模型。我们使用基于集成熵的AL作为FL中高效的数据标注策略。因此，我们的FedAL框架能够减少标注数据的数量，并在保持FL性能的同时保护患者隐私。据我们所知，这是首个应用于医学图像的FedAL框架。我们在真实世界的皮肤镜数据集上验证了我们的框架。仅使用50%的样本，我们的框架就能在皮肤病变分类任务上达到最先进的性能。我们的框架性能优于FL下的几种最先进的AL方法，并达到了与全数据FL相当的性能。
引用
@article{arxiv.2406.11310,
title = {Federated Active Learning Framework for Efficient Annotation Strategy in Skin-lesion Classification},
author = {Zhipeng Deng and Yuqiao Yang and Kenji Suzuki},
journal= {arXiv preprint arXiv:2406.11310},
year = {2024}
}
备注
14 pages, 3 figures