MH-pFLGB：用于医学图像分析的基于全局旁路的模型异构个性化联邦学习
机器学习
2024-07-02 v1 人工智能
摘要
在不断发展的医疗人工智能应用中，联邦学习因其保护训练数据隐私的能力而备受瞩目。联邦学习促进了协作模型开发，而无需共享来自医疗机构的本地数据。然而，这些机构之间的统计异质性与系统异质性带来了巨大挑战，这影响了联邦学习的有效性并阻碍了客户端之间的信息交换。为了解决这些问题，我们引入了一种新方法 MH-pFLGB，该方法采用全局旁路策略来减轻对公共数据集的依赖，并应对非独立同分布数据分布的复杂性。我们的方法通过集成全局旁路模型增强了传统联邦学习，该模型不仅能在客户端之间共享信息，还作为网络的一部分来提升每个客户端的性能。此外，MH-pFLGB 提供了一个特征融合模块，以更好地结合本地与全局特征。我们通过在不同医学任务上的广泛测试验证了 MH-pFLGB 的有效性与适应性，证明了其与现有 SOTA 方法相比具有更优的性能。
引用
@article{arxiv.2407.00474,
title = {MH-pFLGB: Model Heterogeneous personalized Federated Learning via Global Bypass for Medical Image Analysis},
author = {Luyuan Xie and Manqing Lin and ChenMing Xu and Tianyu Luan and Zhipeng Zeng and Wenjun Qian and Cong Li and Yuejian Fang and Qingni Shen and Zhonghai Wu},
journal= {arXiv preprint arXiv:2407.00474},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:2405.06822