FedKPer：通过知识个人化解决医学联合学习中的泛化与个人化问题
图像与视频处理
2026-05-04 v1 机器学习
摘要
联合学习在医疗应用中具有巨大的潜力。然而，跨越医疗机构的统计异构性是联合学习的主要挑战，因为全局模型在面对未见患者群体时难以泛化，也难以适应个别医院独特的数据分布。这种异构性还加剧了全局和局部层面的遗忘，导致以前学习的患者模式在模型更新后被误分类。虽然先前的工作大多将泛化和个人化视为独立的挑战，但我们表明，通过选择性地与全局模型对齐和修改聚合方案，可以更好地平衡这两个方面，从而减轻统计异构性的影响。具体而言，我们引入FedKPer，在每个本地设备的训练阶段引入知识个人化。随后，通过全局模型聚合过程来考虑泛化，其中强调可靠且标签多样的局部更新。我们评估了FedKPer的性能，设计了与遗忘常见后果相关的额外指标。总体而言，我们展示FedKPer在不牺牲保持的情况下改进了泛化与个人化之间的权衡。
引用
@article{arxiv.2605.00698,
title = {FedKPer: Tackling Generalization and Personalization in Medical Federated Learning via Knowledge Personalization},
author = {Zoe Fowler and Ghassan AlRegib},
journal= {arXiv preprint arXiv:2605.00698},
year = {2026}
}
备注
Accepted to IEEE International Conference on Image Processing (ICIP)