联邦肿瘤分割挑战赛的鲁棒学习协议
机器学习
2022-12-19 v1 计算机视觉与模式识别
摘要
本文中，我们为联邦肿瘤分割挑战赛（FeTS 2022）的联邦学习（FL）过程设计了鲁棒且高效的学习协议。在FeTS设定下启用FL的主要挑战在于协作者间的数据异构性与训练的通信成本。为应对这些挑战，我们提出鲁棒学习协议（RoLePRO），其结合了服务端自适应优化（如服务端Adam）与明智的参数（权重）聚合方案（如自适应加权聚合）。RoLePRO采用两阶段方法：第一阶段由朴素联邦平均组成，第二阶段由明智聚合方案组成，该方案使用精细的重新加权，且全程在服务端配备自适应优化算法。我们通过大量实验获取洞见，以调节两阶段的学习率。
引用
@article{arxiv.2212.08290,
title = {Robust Learning Protocol for Federated Tumor Segmentation Challenge},
author = {Ambrish Rawat and Giulio Zizzo and Swanand Kadhe and Jonathan P. Epperlein and Stefano Braghin},
journal= {arXiv preprint arXiv:2212.08290},
year = {2022}
}
备注
14 pages, 2 figures, 3 tables