针对分布式非独立同分布数据的医学图像分类联邦学习的优化，包括部分标签

Mar, 2023

针对分布式非独立同分布数据的医学图像分类联邦学习的优化，包括部分标签

Optimizing Federated Learning for Medical Image Classification on Distributed Non-iid Datasets with Partial Labels

Pranav Kulkarni, Adway Kanhere, Paul H. Yi, Vishwa S. Parekh

TL;DR本文提出 FedFBN，一种使用预训练网络作为模型后端并在训练过程中冻结批归一化层的联邦学习框架，并通过合成 iid 玩具数据集和大规模非 iid 数据集进行评估，结果表明 FedFBN 能够优于使用分布式和非 iid 数据集训练全局模型的当前聚合策略。

Abstract

Numerous large-scale chest x-ray datasets have spearheaded expert-level detection of abnormalities using deep learning. However, these datasets focus on detecting a subset of disease labels that could be present,

chest x-ray deep learning batch normalization federated learning global models

发现论文，激发创造

FedBN：通过本地批量归一化在非独立同分布特征上进行联合学习

本研究提出了一种名为 FedBN 的有效方法，该方法使用本地批量归一化来减轻特征转移非独立同分布问题，并优于现有算法，促进联邦学习的收敛性。

Feb, 2021

非独立同分布场景下联合学习中的规范化层实验

本文研究了使用联邦学习方法在分布式非独立同分布数据集上训练深度学习模型时，采用不同的规范化层和协同频率策略，优化模型性能的效果，研究发现，Batch Normalization 并不是最适合联邦学习的规范化策略，而 Group 与 Layer Normalization 能更有效地提升模型的速度和质量。此外，频繁的模型聚合也能降低模型性能。

Mar, 2023

非独立同分布数据上的联邦学习：调查

本文讨论了联邦学习的隐私保护机制，分析了非独立同分布数据对水平和垂直联邦学习中参数和非参数机器学习模型的影响，概括了当前解决非独立同分布数据挑战的方法，并讨论了这些方法的优缺点。最后，提出了研究方向。

Jun, 2021

多中心组织病理学数据的分散联邦学习

本文通过引入局部统计批量规范化（BN）层，提出了一种新的联邦学习方法，使得深度学习架构能够进行协作训练，但同时具有针对多中心数据异质性的鲁棒性和不共享中心特定层激活统计信息以降低信息泄漏风险的能力。此方法在 Camelyon16 和 Camelyon17 数据集的肿瘤组织学图像块分类中表现出较好的传输学习效果，相对于之前现有技术并有很大的优势。

Aug, 2020

非独立同分布数据孤岛上的联邦学习：一个实验研究

本文介绍了分布式数据库中的非独立同分布数据的系统性了解和研究的必要性，并通过全面的数据分区策略和广泛的实验来评估现有的联邦学习算法，提供了未来解决 ' 数据孤岛 ' 挑战的启示。

Feb, 2021

非独立同分布数据下的联邦学习

本文着重研究了在本地数据不 IID 的情况下联邦学习面临的统计挑战，提出了一个使用全局数据子集来提高非 IID 数据训练准确性的解决方案，并通过实验表明，使用仅占 5％的全局数据子集就可以将 CIFAR-10 数据集的准确性提高 30％。

Jun, 2018

乳腺密度分类的联邦学习：一个实际实现

本文研究了在真实的合作环境下使用联邦学习（FL）构建医学成像分类模型。通过对世界各地的七个临床机构的数据进行联邦学习，成功地训练了乳腺密度分类模型，其性能比在机构的本地数据训练的模型平均提高了 6.3％，在其他机构的测试数据上表现出了 45.8％的相对改进。

Sep, 2020

基于神经网络的新型不平衡和非独立同分布数据的联邦学习系统

通过提出集中式的、基于神经网络的联邦学习系统，利用边缘计算减少中央服务器的负载，同时在各种数据分布设置中相对于一些现有基准算法取得令人满意的性能。

Nov, 2023

基于分布式联邦学习的隐私 MRI 脑瘤检测深度学习模型

本研究通过创新性地使用联邦学习方法，解决数据隐私和高效疾病诊断的双重挑战，以提高医学图像分类的准确性和效率，展示了联邦学习在磁共振成像（MRI）脑肿瘤检测中的应用效果，并强调了解决数据异质性的重要性和拓展联邦学习在医学图像分析中的研究方向。

Apr, 2024

面向医学图像分类的不均衡和聚合数据分布联邦学习

采用新的真实数据分布，提出一种名为 FedIIC 的隐私保护框架，该框架通过类内对比学习和共享全局样本的类间对比学习进行特征提取器的校准来缓解训练造成的偏差，并使用考虑难度的逻辑调整构造 softmax 交叉熵损失以确保所有类别的平衡决策边界。在公共可用数据集上的实验表明，FedIIC 在处理两种耦合问题的同时，具有更优越的性能。

Jun, 2022