FedSDA: 用于非独立同分布组织病理图像分类的联邦 stain 分布对齐

联邦学习在无需直接共享隐私敏感训练数据的情况下，成功地在 decentralized data resources 之间协同训练模型。尽管近期进展取得了显著成果，但非独立同分布 (non-IID) 数据仍是一个不可避免的挑战，阻碍了联邦学习的应用。本文从直观的角度解决该问题，该问题仅在有限注意力下被探讨。具体而言，我们从数据分布的角度仅通过调整所有客户端的数据分布来解决此问题。在利用扩散模型拟合数据分布并利用 stain 分离提取与组织病理图像非 IID 属性密切相关的关键特征之后，我们提出了一种 Federated Stain Distribution Alignment (FedSDA) 方法。FedSDA 在联邦学习框架中将每个客户端的 stain 分布对齐到目标分布，以缓解客户端之间的分布偏移。此外，考虑到在联邦学习中对原始数据训练扩散模型容易暴露隐私泄露风险，我们规避了这一问题，同时仍能有效实现对齐。广泛的实验结果表明，FedSDA 不仅在改进专注于缓解客户端模型更新差异的基线方法方面有效，而且在从数据分布角度解决非 IID 数据问题的基线方法中也表现优异。我们展示，FedSDA 为计算生物学社区提供了宝贵且实用的见解。