基于梯度对齐的隐私保护约束域泛化方法
机器学习
2023-09-19 v3 密码学与安全
图像与视频处理
摘要
深度神经网络(DNN)在医学影像应用中取得了前所未有的成功。然而，由于数据集可用性有限以及患者隐私保护严格的法律和伦理要求，由大规模训练数据驱动的DNN医学影像分类的广泛应用受到很大阻碍。例如，当从一个域（如仅含一家医院数据）训练DNN时，对另一个域（如另一家医院数据）的泛化能力可能严重缺乏。本文旨在通过开发隐私保护约束域泛化方法来解决该问题，旨在隐私保护条件下提升泛化能力。特别地，我们提出在中心服务器端通过一种新颖的梯度对齐损失来改进信息聚合过程，期望训练后的模型能更好地泛化到“未见过”但相关的医学图像。我们方法的原理与有效性可通过将其与已被广泛用作分布距离度量的最大均值差异(MMD)相联系来解释。在两个具有挑战性的医学影像分类任务上的实验结果表明，与最先进的联邦学习方法相比，我们的方法能实现更好的跨域泛化能力。
引用
@article{arxiv.2105.08511,
title = {Privacy-Preserving Constrained Domain Generalization via Gradient Alignment},
author = {Chris Xing Tian and Haoliang Li and Yufei Wang and Shiqi Wang},
journal= {arXiv preprint arXiv:2105.08511},
year = {2023}
}