FedL2T:面向癫痫预测的个性化联邦学习与双教师蒸馏方法
机器学习
2025-10-13 v1 神经与进化计算
摘要
癫痫预测中的深度学习模型训练需要大量脑电图(EEG)数据。然而,由于标注成本和隐私限制,获取足够的标注 EEG 数据十分困难。联邦学习(FL)通过共享模型更新而非原始数据,实现了隐私保护的协作训练。然而,在真实场景中,由于患者间固有的差异性,现有基于 FL 的癫痫预测方法难以在异构客户端设置下取得稳健的性能。为应对这一挑战,我们提出 FedL2T,一个个性化的联邦学习框架,利用新颖的双教师知识蒸馏策略为每个客户端生成更优的个性化模型。具体而言,每个客户端同时从全局聚合模型和动态分配的同伴模型中学习,促进更直接、更丰富的知识交流。为确保可靠的知识迁移,FedL2T 采用一种自适应多级蒸馏策略,根据任务置信度对齐预测输出与中间特征表示。此外,引入近端正则化项以约束个性化模型更新,从而增强训练稳定性。在两个 EEG 数据集上的大量实验表明,FedL2T 始终优于最先进的 FL 方法,尤其是在低标注条件下。此外,FedL2T 能够快速且稳定地收敛至最优性能,从而减少通信轮次及相关开销。这些结果凸显了 FedL2T 作为隐私敏感医疗场景下可靠且个性化癫痫预测解决方案的潜力。
引用
@article{arxiv.2510.08984,
title = {FedL2T: Personalized Federated Learning with Two-Teacher Distillation for Seizure Prediction},
author = {Jionghao Lou and Jian Zhang and Zhongmei Li and Lanlan Chen and Enbo Feng},
journal= {arXiv preprint arXiv:2510.08984},
year = {2025}
}