面向多站点fMRI数据中不均匀性建模的个人化联邦字典学习
强关联电子
2026-02-16 v2 介观与纳米尺度物理
摘要
数据隐私限制构成了大规模神经影像分析的重大挑战，尤其是在多站点功能性磁共振成像（fMRI）研究中，站点特定的异质性导致数据非独立同分布（non-IID）。这些因素阻碍了通用模型的开发。为了应对这些挑战，我们提出了个人化联邦字典学习（PFedDL），这是一种 novel 的联邦学习框架，使跨站点协作建模成为可能，同时不共享原始数据。PFedDL在每个站点执行独立的字典学习，将每个站点特定的字典分解为共享的全局组件和个人化的本地组件。全局原子通过联邦聚合进行更新，以促进跨站点的一致性，而本地原子则独立地进行细化，以捕获站点特定的变异性，从而增强下游分析。ABIDE数据集上的实验表明，PFedDL在非IID数据集上的准确率和鲁棒性均优于现有方法。
引用
@article{arxiv.2509.20626,
title = {Orbital magnetization and magnetic susceptibility of interacting electrons},
author = {Jian Kang and Minxuan Wang and Oskar Vafek},
journal= {arXiv preprint arXiv:2509.20626},
year = {2026}
}
备注
5-page main text, 2 figures, and 2.5-page appendix. Additional results are included, particularly on magnetic susceptibility, and comparison with interacting Rashba model at finite B