垂直联邦图像分割

随着基于图像的 AI 解决方案的普及，人们对数据隐私和获取的担忧日益增加。在许多情况下，信息位于独立的数据孤岛中，开发者难以以便於机器学习模型开发的方式整合所有信息。此外，部分这些局部数据区域可能无法访问带标签的真实值（ground truth）。这意味着它们具备数值得出结论的能力，但由于缺乏相关信息而无法进行分类分配。这种局限性往往不可忽视，特别是在开发通常需要具备此能力的基于图像的解决方案时。鉴于此，我们提出了一种创新的垂直联邦学习（VFL）模型架构，可在上述常见条件下运行。这是首个（也是目前唯一）能够在 VFL 环境约束下工作并执行图像分割同时保持标称精度的系统实现。我们通过利用全卷积网络（FCN）实现了这一目标，该网络能够在缺乏标签数据的联邦节点上运行，并与中央服务器私有地共享相应权重，而中央服务器托管分类所需的必要特征。我们在 CamVid 数据集上进行了测试，以确定联邦节点间信息传输所需的大量特征压缩的影响，并对此类约束下的整体性能指标得出标称结论。