选择之前三思：领域转换中的医学图像分析联邦证据主动学习

Dec, 2023

选择之前三思：领域转换中的医学图像分析联邦证据主动学习

Think Twice Before Selection: Federated Evidential Active Learning for Medical Image Analysis with Domain Shifts

Jiayi Chen, Benteng Ma, Hengfei Cui, Yong Xia, Kwang-Ting Cheng

TL;DR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。

Abstract

federated learning facilitates the collaborative learning of a global model across multiple distributed medical institutions without centralizing data. Nevertheless, the expensive cost of annotation on local clients remains an obstacle to effectively utilizing local data. To mitigate t

federated learning active learning domain shift medical scenarios uncertainty

发现论文，激发创造

面向目标领域泛化的联邦主动学习

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

皮肤病变分类的联邦主动学习框架

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

基于跨类多样性的联邦主动学习反思

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

联邦主动学习 (F-AL)：联邦学习中高效的标注策略

研究通过在联邦学习框架中应用主动学习和采样策略来减少标注工作量，比较了全局 FL 模型使用传统随机采样策略、客户端级别分离的 AL（S-AL）和我们提出的 F-AL 的测试准确率，实验证明 F-AL 在图像分类任务中优于基线方法。

Feb, 2022

主动学习引导的联邦在线适应：在医学图像分割中的应用

我们提出了一种名为 DrFRODA 的计算机友好、隐私保护的医学图像分割技术，利用联邦学习以在线方式适应模型，并通过医生的反馈进行改进。我们在公开可用数据集上的实验结果表明，所提出的基于分布式主动学习的在线适应方法优于无监督的在线适应方法，并且与离线主动学习的适应方法具有竞争力的结果。

Dec, 2023

把握差距：联邦学习拓宽诊断 AI 模型的领域泛化

通过评估训练策略、网络架构、泛化性能、图像发现、数据集大小和数据集多样性对 610,000 例胸部 X 光片的诊断表现进行了评估，并发现在培训数据量方面，本地训练具有更高的域内性能，而合作培训在域外任务方面更具优势。因此，联邦学习可以增强人工智能模型的诊断隐私、可重复性和域外可靠性，并潜在地优化医疗结果。

Oct, 2023

FedDG: 基于连续频率空间中的情节学习的医学图像分割联合领域泛化

本文提出了一种名为 ELCSF 的新方法，采用连续频率空间插值机制通过保护隐私的方式在客户端间传输分布信息，实现从多个分布式来源域学习联合模型，以便在医学图像分割场景中实现模型泛化，并通过两项医学图像分割任务的实验和深入的剖析实验表明了我们方法的有效性。

Mar, 2021

主动联邦学习

该研究提出了一种便捷、简单的采样方案，用于减少联邦学习迭代次数并最大程度提高效率，主要研究领域包括联邦学习、人口模型、梯度和采样方案。

Sep, 2019

针对组织病理图像分类的专注主动学习

Focused Active Learning combines Bayesian Neural Network with Out-of-Distribution detection to estimate different uncertainties for acquisition and outperforms existing methods for prostate cancer classification.

Apr, 2024

联邦对抗领域自适应

本文研究了联邦学习在分布式设备网络上的数据隐私和效率问题。我们提出了一种有原则的方法来解决联邦域自适应问题，旨在通过扩展对抗适应技术来对齐不同节点学习到的表征与目标节点数据分布。同时，我们设计了一个动态注意机制和利用特性解缠来增强知识转移。在几个图像和文本分类任务上进行了实证实验，并在无监督联邦域自适应设置下展示了有前途的结果。

Nov, 2019