VGS-ATD: 异构和不平衡条件下用于多标签医学图像分类的鲁棒分布式学习
计算机视觉与模式识别
2025-12-09 v3 密码学与安全
摘要
近年来，先进的深度学习架构在医学成像任务中展现出强大的性能。然而，传统的集中式学习范式将所有数据收集并在单个服务器上训练，带来了严重的隐私风险。为缓解这一挑战，联邦学习和群体学习等去中心化方法应运而生，允许在本地节点上训练模型，同时仅共享模型权重。虽然这些方法增强了隐私性，但它们难以处理异构和不平衡的数据，并且由于频繁通信和权重聚合而效率低下。更关键的是，临床环境的动态性和复杂性要求可扩展的AI系统能够持续从多样化的模态和多标签中学习。然而，集中式和分布式模型在系统扩展时都容易发生灾难性遗忘，通常需要完全重新训练模型以纳入新数据。为解决这些局限性，我们提出了VGS-ATD，一种新颖的分布式学习框架。为验证VGS-ATD，我们在跨越30个数据集和80个独立标签的分布式节点实验中对其进行了评估。VGS-ATD达到了92.7%的总体准确率，优于集中式学习（84.9%）和群体学习（72.99%），而联邦学习由于对计算资源的高要求在这些条件下失败。VGS-ATD还展示了强大的可扩展性，扩展后现有节点的准确率仅下降1%，而集中式学习下降了20%，突显了其对灾难性遗忘的鲁棒性。此外，与集中式学习和群体学习相比，它降低了高达50%的计算成本，证实了其卓越的效率和可扩展性。
引用
@article{arxiv.2507.18657,
title = {VGS-ATD: Robust Distributed Learning for Multi-Label Medical Image Classification Under Heterogeneous and Imbalanced Conditions},
author = {Zehui Zhao and Laith Alzubaidi and Haider A. Alwzwazy and Jinglan Zhang and Yuantong Gu},
journal= {arXiv preprint arXiv:2507.18657},
year = {2025}
}
备注
The idea is still underdeveloped, not yet enough to be published