TreeFedDG：缓解医学图像联邦域泛化中的全局漂移
计算机视觉与模式识别
2025-10-22 v1
摘要
在医学图像分割任务中，基于联邦学习框架的数据域泛化 (DG) 对解决隐私保护和数据异构性挑战至关重要。然而，传统联邦学习方法未能考虑跨域场景下各客户端信息聚合不平衡的问题，导致全局漂移 (GD) 问题及随之而来的模型泛化性能下降。这促使我们深入研究并定义了一个新关键问题：医学影像联邦域泛化中的全局漂移 (FedDG-GD)。本文提出一种新颖的树状拓扑框架 TreeFedDG。首先，基于树状拓扑设计分层参数聚合方法，以抑制全局模型方向的偏差。其次，引入基于参数差异的风格混合方法 (FedStyle)，强制具有最大参数差异的客户端之间进行混合，以增强对漂移的鲁棒性。第三，开发渐进式个性化融合策略，确保知识传递与个性化特征之间取得平衡。最后，在推理阶段，我们利用特征相似性引导从树结构中检索最相关的模型链进行集体决策，从而充分利用层次化知识的优势。我们在两个公开数据集上进行了大量实验。结果表明，该方法在这些具有挑战性的任务中优于其他最新域泛化方法，并在跨域性能上实现更好的平衡。
引用
@article{arxiv.2510.18268,
title = {TreeFedDG: Alleviating Global Drift in Federated Domain Generalization for Medical Image Segmentation},
author = {Yucheng Song and Chenxi Li and Haokang Ding and Zhining Liao and Zhifang Liao},
journal= {arXiv preprint arXiv:2510.18268},
year = {2025}
}