面向类不平衡联合医学图像分类的非参数正则化
计算机视觉与模式识别
2024-07-18 v1
摘要
有限的训练数据和严重的类不平衡构成了开发临床可靠深度学习模型的主要挑战。联合学习（FL）通过使不同医疗客户协作训练深度模型而无需共享隐私敏感数据来解决前者。然而，由于客户之间类别分布的差异，类不平衡问题会恶化。我们提出联合学习与非参数正则化（FedNPR 和 FedNPR-Per，FedNPR 的个人化版本）以正则化特征提取器并增强特征空间中有用且具辨识力的信号。我们的大量实验表明，FedNPR 在类不平衡皮肤皮肤病分类和颅内出血识别中优于现有的 state-of-the-art FL 方法。此外，非参数正则化模块始终会提高现有 state-of-the-art FL 方法的性能。我们认为 NPR 是临床环境下 FL 的有价值工具。
引用
@article{arxiv.2407.12446,
title = {Non-parametric regularization for class imbalance federated medical image classification},
author = {Jeffry Wicaksana and Zengqiang Yan and Kwang-Ting Cheng},
journal= {arXiv preprint arXiv:2407.12446},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:2305.00738