FedMRL：面向医学影像的数据异构感知联邦多智能体深度强化学习
机器学习
2024-07-09 v1 人工智能
计算机视觉与模式识别
分布式、并行与集群计算
摘要
尽管联邦学习(FL)在医学影像诊断方面取得了最新进展，但解决客户端间的数据异构性仍是其实践应用中的重大挑战。FL中的一个主要障碍源于各客户端数据样本的非独立同分布(non-IID)特性，这通常会导致聚合后的全局模型性能下降。在本研究中，我们引入了FedMRL，一种新颖的联邦多智能体深度强化学习框架，旨在解决数据异构性问题。FedMRL包含一种新颖的损失函数，以促进客户端间的公平性，防止最终全局模型产生偏差。此外，它采用多智能体强化学习(MARL)方法来计算个性化局部目标函数的近端项(μ)，确保收敛到全局最优。FedMRL还在服务器端集成了基于自组织映射(SOM)的自适应权重调整方法，以抵消客户端局部数据分布之间的分布偏移。我们使用两个公开可用的真实世界医学数据集评估了我们的方法，结果表明FedMRL显著优于现有最先进技术，展示了其在解决联邦学习中数据异构性问题方面的有效性。代码可在此处获取：https://github.com/Pranabiitp/FedMRL。
引用
@article{arxiv.2407.05800,
title = {FedMRL: Data Heterogeneity Aware Federated Multi-agent Deep Reinforcement Learning for Medical Imaging},
author = {Pranab Sahoo and Ashutosh Tripathi and Sriparna Saha and Samrat Mondal},
journal= {arXiv preprint arXiv:2407.05800},
year = {2024}
}
备注
Accepted to MICCAI 2024