原型引导的轻量化适配器：联邦学习中内在解释与泛化

联邦学习（Federated Learning）提供了一种在保持隐私的前提下，跨分布式数据源协同训练机器学习模型的有前景的范式。然而，实际的联邦学习面临着诸多挑战，包括通信开销较大的模型参数传输以及统计异质性问题——后者源于不同客户端之间数据分布的非相同性。本文提出一种联邦学习框架，实现：1）利用原型（prototypes）提供内在解释；2）通过轻量化适配器模块充当局部模型的压缩替代品，以应对统计异质性，引导客户端在各异样本分布下实现泛化。每个客户端通过将类别嵌入对齐原型表示，同时调整轻量化适配器来本地化模型。我们的方案无需传输整个模型权重，仅传输原型和轻量化适配器。此设计确保每个客户端的模型与全局共享结构对齐，同时最小化通信负载并提供内在解释。我们在真实的视网膜底视野图像数据集上进行了实验，该数据集包含临床-site 信息。我们展示了内在可解释性的能力，并进行了分类任务，显示相对于基线算法在准确率上有所提升。