基于残差 Fisher 信息的个性化联邦学习在医学图像分割中的应用
计算机视觉与模式识别
2026-03-17 v1
摘要
联邦学习使多个客户（机构）能够在不共享私有数据的情况下协同训练机器学习模型。为解决跨客户数据异构性挑战，个性化联邦学习（pFL）旨在为每个客户学习定制模型。本文提出 pFL-ResFIM，一种新的 pFL 框架，实现参数层面的客户自适应个性化。具体而言，我们引入一种新指标——残差 Fisher 信息矩阵（ResFIM），用于量化模型参数对领域差异的敏感性。为在隐私约束下估计每个客户模型的 ResFIM，我们采用谱迁移策略生成反映不同客户领域风格的仿真数据。基于估计的 ResFIM，我们将模型参数划分为领域敏感性和领域不变性组成部分。随后，仅聚合领域不变参数以构建每个客户的个性化模型。广泛的公开数据集实验表明，pFL-ResFIM 持续优于当前最先进的方法，验证了其有效性。
引用
@article{arxiv.2603.14848,
title = {Personalized Federated Learning with Residual Fisher Information for Medical Image Segmentation},
author = {Meilu Zhu and Yuxing Li and Zhiwei Wang and Edmund Y. Lam},
journal= {arXiv preprint arXiv:2603.14848},
year = {2026}
}
备注
accepted by ISBI 2026