FedMP：从流形视角解决医学特征异构性问题的联邦学习
机器学习
2025-08-14 v1 人工智能
摘要
联邦学习(FL)是一种 decentralized 的机器学习范式，多个客户端在不共享本地私有数据的情况下协同训练共享模型。然而，实际应用中，联邦学习经常遇到来自参与方非相同且独立分布(non-IID)本地数据集的挑战，这在医学影像领域尤为突出，图像特征分布的偏移显著阻碍了全局模型的收敛和性能。为解决这一挑战，我们提出FedMP，一种旨在增强联邦学习在non-IID情形下的新方法。FedMP采用随机特征流形完成技术丰富单个客户端分类器的训练空间，利用类原型引导跨客户端特征流形在语义一致子空间中的对齐，以促进更明确的决策边界构建。我们在多个医学影像数据集上验证了FedMP的有效性，包括具有真实多中心分布的数据集以及多域自然图像数据集。实验结果表明，FedMP在现有FL算法中表现出色。此外，我们分析了流形维度、通信效率以及特征暴露在我们方法中的隐私影响。
引用
@article{arxiv.2508.09174,
title = {FedMP: Tackling Medical Feature Heterogeneity in Federated Learning from a Manifold Perspective},
author = {Zhekai Zhou and Shudong Liu and Zhaokun Zhou and Yang Liu and Qiang Yang and Yuesheng Zhu and Guibo Luo},
journal= {arXiv preprint arXiv:2508.09174},
year = {2025}
}