FHBench：面向多模态医疗的高效个性化联邦学习基准
机器学习
2025-04-16 v1 人工智能
摘要
联邦学习 (FL) 作为一种在不共享患者数据的情况下促进多机构合作的有效方法，已涌现出一系列针对不同应用场景的专用方法。然而，真实世界的医疗数据常呈现多模态特征，计算资源有限，这对现有 FL 方法构成重大挑战。鉴于这些局限性，我们开发了 Federated Healthcare Benchmark (FHBench)，一个专为源自真实世界医疗应用的数据集设计的基准。FHBench 涵盖了神经系统、心血管系统、呼吸系统及一般病理学等关键诊断任务，为多模态医疗评估提供了全面支持，填补了现有基准测试的重大空白。基于 FHBench，我们引入了一种高效个性化联邦学习框架——带自适应 LoRA 的 Efficient Personalized Federated Learning (EPFL)，在 various healthcare modalities 中表现出卓越的效率和效果。我们的结果凸显了 FHBench 作为基准工具的稳健性，以及 EPFL 作为推动以医疗为导向的 FL 创新之路的潜力，旨在解决现有方法的关键局限。
引用
@article{arxiv.2504.10817,
title = {FHBench: Towards Efficient and Personalized Federated Learning for Multimodal Healthcare},
author = {Penghao Wang and Qian Chen and Teng Zhang and Yingwei Zhang and Wang Lu and Yiqiang Chen},
journal= {arXiv preprint arXiv:2504.10817},
year = {2025}
}