基于提示的个性化联邦学习用于医学视觉问答
计算机视觉与模式识别
2024-02-16 v1
摘要
我们提出了一种新颖的基于提示的个性化联邦学习（pFL）方法，以解决传统医学视觉问答（VQA）方法中的数据异质性和隐私问题。具体来说，我们将来自不同器官的医学数据集视为客户端，并使用pFL为每个客户端训练个性化的基于Transformer的VQA模型。为了解决先前pFL方法中客户端到客户端通信的高计算复杂度问题，我们通过引入提示（即小的可学习参数）提出了一种简洁的信息共享系统。此外，所提出的方法引入了一个可靠性参数，以防止低性能和不相关客户端的负面影响。最后，在各种异质性医学数据集上的广泛评估证明了我们方法的有效性。
引用
@article{arxiv.2402.09677,
title = {Prompt-based Personalized Federated Learning for Medical Visual Question Answering},
author = {He Zhu and Ren Togo and Takahiro Ogawa and Miki Haseyama},
journal= {arXiv preprint arXiv:2402.09677},
year = {2024}
}
备注
Accept by ICASSP2024