选择前三思：面向具有域偏移的医学图像分析的联邦证据主动学习
计算机视觉与模式识别
2024-04-23 v2
摘要
联邦学习促进了跨多个分布式医疗机构的全局模型协作学习，而无需集中数据。然而，本地客户端上昂贵的标注成本仍是有效利用本地数据的障碍。为缓解此问题，联邦主动学习方法建议利用本地和全局模型预测来选择少量信息量大的本地数据进行标注。然而，现有方法主要关注从同一域采样的所有本地数据，这使得它们在具有不同客户端间域偏移的真实医学场景中并不可靠。在本文中，我们首次尝试评估来自不同域的本地数据的信息量，并提出了一种称为联邦证据主动学习（FEAL）的新方法，以在域偏移下校准数据评估。具体而言，我们在本地和全局模型中引入 Dirichlet 先验分布，将预测视为概率单纯形上的分布，并利用基于 Dirichlet 的证据模型捕获偶然不确定性和认知不确定性。然后，我们采用认知不确定性来校准偶然不确定性。之后，我们设计了一种多样性松弛策略以减少数据冗余并保持数据多样性。在五个真实多中心医学图像数据集上的大量实验和分析表明，在具有域偏移的联邦场景中，FEAL 优于 SOTA 主动学习方法。代码将发布于 https://github.com/JiayiChen815/FEAL。
引用
@article{arxiv.2312.02567,
title = {Think Twice Before Selection: Federated Evidential Active Learning for Medical Image Analysis with Domain Shifts},
author = {Jiayi Chen and Benteng Ma and Hengfei Cui and Yong Xia},
journal= {arXiv preprint arXiv:2312.02567},
year = {2024}
}
备注
Accepted by CVPR 2024