联邦主动学习 (F-AL):联邦学习中高效的标注策略
我们提出了一个联邦主动学习(FedAL)框架,通过在医学图像分析中周期性和交互式地执行主动学习,从而减少标注数据量、保护患者隐私,并保持联邦学习的性能。在真实的皮肤镜数据集上验证了我们的框架,在只使用 50%的样本的情况下,在皮肤病变分类任务上取得了与全数据联邦学习相媲美的性能。
Jun, 2024
该论文介绍了 Active Learning 和 Federated Learning 的联合学习框架 FEDALV,用于目标域广义化,通过减少特征复杂性和条件对齐来实现准确且高效的图像分类模型训练。
Dec, 2023
本文介绍了无监督联邦学习中客户端数据不具有标签的情况的处理方法,提出了集成全局和本地 - 仅在两个选择器模型的策略,命名为 LoGo,在 38 个实验中表现出优越性。
Mar, 2023
通过在医疗领域分布式的多个机构之间协作学习一个全局模型,联合学习有助于实现数据无需集中的目标。本研究首次尝试评估来自不同领域的本地数据的信息量,并提出了一种称为 Federated Evidential Active Learning (FEAL) 的新方法来处理领域转移下的数据评估。通过引入 Dirichlet 先验分布,我们能够将预测视为概率空间上的分布,并利用基于 Dirichlet 的证据模型来捕获不确定性。然后,我们使用这种不确定性来校准随机不确定性,并采用多样性放松策略来减少数据冗余并保持数据多样性。通过广泛的实验和分析,我们证明了 FEAL 在联合主动学习框架下优于现有主动学习方法的特点和效率。
Dec, 2023
本文提出了一种改进的联邦学习方法 ——FedALA,通过 Adaptive Local Aggregation (ALA) 模块,适应性地聚合下载的全局模型和本地模型,初始化每个客户端上的本地模型,并进行训练,实验结果表明,FedALA 在计算机视觉和自然语言处理等五个基准数据集上超过了 11 种现有技术的 baselines,提高了最高达 3.27%的测试准确性,同时我们还将 ALA 模块应用于其他联邦学习方法,实现了最高达 24.19%的测试准确性提高。
Dec, 2022
本文研究了主题 “主动学习”,发现尽管在特定模型和特定领域中使用主动学习可能会带来好处,但在不同模型和任务之间泛化当前方法的好处不可靠,并且主动学习的认购数据与指导其获取的模型相结合,与使用独立同分布的(I.I.D)随机样本训练继任模型的方法相比并没有明显的优势,主动学习的局限性是否值得现实中的应用,值得深思。
Jul, 2018
该研究提出了一种新的算法,为参与联邦学习训练的客户分配自适应聚合权重,识别出最有利于特定学习目标的数据分布,实验证明通过该算法引导的合作在传统的联邦学习方法上取得了更好的表现,强调了客户选择的重要性。
Feb, 2024
本文详细阐述了联邦学习的体系结构、应用问题、算法设计原则和安全问题,提出了一种更加通用的算法设计框架、攻击场景和防御方法,致力于将联邦学习与真实世界应用相集成并实现高性能、隐私保护和安全性。
Feb, 2023
本文提出了一种叫做 FedAlign 的基于局部学习广泛性而非接近约束的数据异构性联邦学习解决方案,其可在不引入大量计算和内存开销的情况下实现与最先进的 FL 方法相当的精度。
Nov, 2021