通过客户间关系匹配的联合半监督医学图像分类

Jun, 2021

通过客户间关系匹配的联合半监督医学图像分类

Federated Semi-supervised Medical Image Classification via Inter-client Relation Matching

Quande Liu, Hongzheng Yang, Qi Dou, Pheng-Ann Heng

TL;DR本论文研究了一个名为 Federated Semi-supervised Learning 的实际而具有挑战性的问题，旨在通过联合利用标记和未标记客户的数据来学习联邦模型，并提供了一种新颖的方法来通过与新的客户关系匹配方案来改进传统的一致性正则化机制在实际医院数据集上的有效性得到了证明。

Abstract

federated learning (FL) has emerged with increasing popularity to collaborate distributed medical institutions for training deep networks. However, despite existing FL algorithms only allow the supervised training setting, most hospitals in realistic usually cannot afford the intricate

federated learning semi-supervised learning medical image classification consistency regularization inter-client relation

发现论文，激发创造

带有跨设备一致性与离散学习的联邦半监督学习

研究 Federated Semi-Supervised Learning 问题的两种场景，提出了 FedMatch 方法，通过广泛的实验验证，表明该方法优于本地半监督学习和将联邦学习与半监督学习简单结合的基线。

Jun, 2020

重思半监督联邦学习：如何同时训练具有完全标记和完全未标记的客户端影像数据

通过提出的分离联合学习（IsoFed）方案，本文研究了在半监督联邦学习中有效训练具有带标签和无标签客户端的方法，并在四种不同模态的医学图像数据集上评估了模型性能，并在不同的实验设置下验证了所提出方法的有效性。

Oct, 2023

医学图像分类中标签集不匹配的规模联合学习

本研究提出了一种名为 FedLSM 的框架，用于在医学图像领域中解决标签集不匹配的问题，并在两个公共实际医学图像数据集上评估 FedLSM，证明其在分类精度上优于其他现有的 FL 算法。

Apr, 2023

原型网络的联邦半监督学习

ProtoFSSL 是一种新颖的基于原型网络的半监督 FL 方法，它通过轻量级原型实现客户端之间的知识共享，减少了通信和计算成本，并在多个数据集上实现了更高的准确性。

May, 2022

FedAnchor: 为未标记的客户端增强联邦半监督学习的标签对比损失

本文提出了 FedAnchor 方法，它是一种创新的半监督学习方法，引入了独特的双头结构（称为锚头），与仅在服务器上进行训练的分类头配对，锚头使用基于余弦相似度度量的新设计标签对比损失，通过减轻伪标签技术中的确认偏见和过拟合问题，显著提高了模型的收敛速度和准确性。

Feb, 2024

有效的半监督异构参与者联邦学习

在资源受限环境中，通过介绍聚类正则化和全局更新频率适应的控制算法，我们提出了一种新的训练模型系统，用于解决联合学习中的数据非独立同分布和模型收敛性问题，该系统在减少训练时间和通信成本的同时提高了准确性。

Jul, 2023

基于联邦半监督学习的医学图像分割，具备客户内部和客户间一致性

本论文提出了一种针对医学图像分割的新型联邦半监督学习框架，引入了客户端内和客户端间的一致性学习，通过客户端合作训练的变分自编码器（VAE）协助实现，相比其他联邦半监督学习方法，实验结果表明本方法性能更好且避免了大量的计算和通信开销。

Mar, 2024

面向联邦开放世界半监督学习的无偏训练

本文提出了一种新的 Federatedopen-world Semi-Supervised Learning（FedoSSL）框架，可解决分布式和开放式环境下训练过程中异构分布未知类所导致的偏差，通过使用抑制损失增强聚合效果和校准模块确保知识传递一致，已在 CIFAR-10， CIFAR-100 和 CINIC-10 等真实数据集上进行了验证。

May, 2023

基于动态银行学习的半监督联邦图像诊断与类别不平衡

本文研究了半监督联邦学习在医学图像诊断中的类不平衡问题，提出了一种新颖的动态银行学习方案，通过利用类比例信息来提高客户端的训练。经过在 2 个真实医学数据集上的评估，与第二名相比，在精度上有显著的性能提高 (7.61% 和 4.69%)。

Jun, 2022

联邦循环 (FedCy)：外科手术阶段的半监督联邦学习

本文提出了一种名为 FedCy 的联邦半监督学习方法，该方法结合了 FL 和自监督学习，利用带标签和未标记视频的分散式数据集，提高了手术分阶段识别任务的性能。我们证明了与最先进的 FSSL 方法相比，在新采集的多机构数据集上对于腹腔镜胆囊切除术的手术阶段自动识别任务有明显的性能提高，并且当测试数据来自于看不见领域时，该方法还学会了更具有一般性的特征。

Mar, 2022