Mar, 2022

联邦循环 (FedCy)：外科手术阶段的半监督联邦学习

PDF
TL;DR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。
deep learningfederated learningsemi-supervised learningsurgical phase recognitionmulti-institutional dataset
发现论文，激发创造
  • 通过客户间关系匹配的联合半监督医学图像分类

    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。

    Jun, 2021

  • 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

  • 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

  • 半监督联合对等学习用于皮损分类

    通过提出基于同伴学习和多数委员会机器的 Federated Perl 模型，从而实现半监督联邦学习以促进恶性肿瘤的早期检测，该模型可以将客户端分为多个社区，并鼓励社区成员相互学习以生成更准确的伪标签，相比于当前半监督联邦学习方法，该方法具备更好的性能和鲁棒性。

    Mar, 2021

  • 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

  • FedER：通过经验回放和隐私保护数据合成的联邦学习

    本文提出一种基于体验回放和生成对抗网络思想的联合和分散学习策略，名为 FedER，它可以在保持隐私的同时整合本地节点的特征，提供能够横跨多个数据集的模型，以实现对结核和黑色素瘤分类的准确诊断

    Jun, 2022

  • 任务无关的联邦学习

    应用自监督学习的联邦学习框架，通过使用 Vision Transformer 作为共识特征编码器进行无监督预训练，能够在各种真实非 IID 医学图像数据集上进行有效的表示学习，为多任务基础建模提供潜在的方法。

    Jun, 2024

  • 去中心化无标签医学影像的联邦对比学习

    本研究提出了一个名为 FedMoCo 的鲁棒性联邦对比学习（FCL）框架，该框架在临床领域的分布式无标签医学数据上进行元数据传输和自适应聚合，并在 COVID-19 检测等下游任务中显著减少有标签数据需求，从而相对于传统联邦学习框架 FedAvg，更能在从医学图像中提取有意义的表示方面表现良好。

    Sep, 2021

  • 基于聚类的联邦学习组件中的组内安全多方计算在组织病理学图像中的应用

    本文提出一种隐私保护的联邦学习框架，采用安全多方计算的方式，将医院分为不同簇，通过局部训练和参数交换，实现共同学习模型而无需共享患者私人数据，并通过公开数据的实验结果表明，与差分隐私相比，该框架可以以更高的准确度达到无隐私泄露的效果，但通信开销较高。

    Aug, 2022

  • 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