FedGSCA：基于全局样本选择器和客户端自适应调整器的带标签噪声医学联合学习
机器学习
2025-07-16 v1 人工智能
计算机视觉与模式识别
摘要
联合学习（FL）作为一种保护数据隐私的协作医学图像分类解决方案而涌现。然而，标签噪声源于机构间数据差异性，可导致训练不稳定并降低模型性能。现有FL方法在处理噪声异质性和医学数据不平衡方面困难。为应对这些挑战，我们提出FedGSCA，一个用于增强带噪声医学联合学习鲁棒性的新型框架。FedGSCA引入全局样本选择器（Global Sample Selector），从所有客户端聚合噪声知识，有效解决噪声异质性问题并提高全局模型稳定性。此外，我们开发了客户端自适应调整机制（Client Adaptive Adjustment, CAA），该机制结合自适应阈值伪标签生成和鲁棒信念标签损失。CAA能够动态适应类别分布，确保少数类样本的纳入，并通过考虑多个可能标签来仔细管理噪声标签。这一双重方法减轻了噪声数据的影响，防止在本地训练期间发生过拟合，从而提高模型的泛化能力。我们在一个真实世界的结肠切片数据集和两个合成医学数据集上评估了FedGSCA，测试包括对称噪声、非对称噪声、极端噪声和异质噪声。结果表明，FedGSCA在各种噪声情形下均优于最先进的方法，在极端和异质噪声情形下表现尤为出色。此外，FedGSCA在提高模型稳定性和处理复杂噪声方面显著优于其他方法，非常适合实际的医学联合学习场景。
引用
@article{arxiv.2507.10611,
title = {FedGSCA: Medical Federated Learning with Global Sample Selector and Client Adaptive Adjuster under Label Noise},
author = {Mengwen Ye and Yingzi Huangfu and Shujian Gao and Wei Ren and Weifan Liu and Zekuan Yu},
journal= {arXiv preprint arXiv:2507.10611},
year = {2025}
}