网络联邦学习中用于胶质母细胞瘤分割的正则化权重聚合
机器学习
2023-01-31 v1 人工智能
分布式、并行与集群计算
网络与互联网体系结构
摘要
在联邦学习（FL）中，服务器端的全局模型需要一种高效的权重聚合机制以及一种系统性的协作选择策略，以管理和优化通信负载。我们引入了一种实用且低成本的用于正则化权重聚合的方法，并提出了一种每轮选择协作方的省力技术。我们在 Federated Tumor Segmentation（FeTS）2022 挑战赛的联邦训练（权重聚合）问题上展示了我们的方法——正则化相似性权重聚合（RegSimAgg）的性能。我们的可扩展方法原理清晰、开销低廉，并适用于异构非 IID 协作方。使用 FeTS2021 评估准则，我们提出的算法 RegSimAgg 在 FeTS2022 挑战赛权重聚合任务的最终排名中位列第 3。我们的解决方案开源地址为：\url{https://github.com/dskhanirfan/FeTS2022}
引用
@article{arxiv.2301.12617,
title = {Regularized Weight Aggregation in Networked Federated Learning for Glioblastoma Segmentation},
author = {Muhammad Irfan Khan and Mohammad Ayyaz Azeem and Esa Alhoniemi and Elina Kontio and Suleiman A. Khan and Mojtaba Jafaritadi},
journal= {arXiv preprint arXiv:2301.12617},
year = {2023}
}