面向医疗健康的基于自适应批归一化的个性化联邦学习
机器学习
2022-05-23 v3 计算机视觉与模式识别
摘要
将机器学习技术应用于医疗健康领域正引起越来越多的关注。近年来，联邦学习（FL）因其能让研究者在保障数据隐私与安全的前提下训练强大模型而日益流行。然而，当遇到客户端间存在分布差异的非独立同分布（non-iid）情形时，现有联邦学习方法的性能往往退化，且此前少有研究关注医疗领域的个性化。本文中，我们提出 FedAP 以应对域偏移，进而为本地客户端获得个性化模型。FedAP 基于批归一化层的统计量学习客户端间的相似性，同时通过不同的本地批归一化保留各客户端的特异性。在五个医疗基准上的综合实验表明，FedAP 相较于最先进方法取得了更高的准确率（例如 PAMAP2 上准确率提升 10%），且收敛速度更快。
引用
@article{arxiv.2112.00734,
title = {Personalized Federated Learning with Adaptive Batchnorm for Healthcare},
author = {Wang Lu and Jindong Wang and Yiqiang Chen and Xin Qin and Renjun Xu and Dimitrios Dimitriadis and Tao Qin},
journal= {arXiv preprint arXiv:2112.00734},
year = {2022}
}
备注
Accepted by IEEE Transactions on Big Data; code: https://github.com/microsoft/personalizedfl. arXiv admin note: substantial text overlap with arXiv:2106.01009