非IID 癌症图像上联邦学习的通用超参数优化
计算机视觉与模式识别
2026-01-21 v1 人工智能
机器学习
摘要
癌症组织病理学训练的深度学习方法与临床环境中的隐私约束相冲突。联邦学习 (FL) 通过保持数据本地化来缓解这一问题，但其性能取决于非独立且同分布 (non-IID) 客户端数据集上的超参数选择。这项研究考察了是否可以将在一个癌症影像数据集上优化的超参数在非IID 联邦场景中获得泛化。我们考虑了针对卵巢和结直肠癌的二分类组织病理学任务。我们进行集中式贝叶斯超参数优化，并将数据集特定的最优参数转移到非IID FL 设置中。本研究的主要贡献是引入一种简单的数据集间聚合启发式方法，通过平均学习率、考虑模态优化器和批量大小来组合配置。该组合配置实现了具竞争力的分类性能。
引用
@article{arxiv.2601.12664,
title = {Generalizable Hyperparameter Optimization for Federated Learning on Non-IID Cancer Images},
author = {Elisa Gonçalves Ribeiro and Rodrigo Moreira and Larissa Ferreira Rodrigues Moreira and André Ricardo Backes},
journal= {arXiv preprint arXiv:2601.12664},
year = {2026}
}
备注
21st International Conference on Computer Vision Theory and Applications (VISAPP 2026), 9-11 March 2026, Marbella, Spain