基于去中心化的八卦 mutual learning (GML) 技术应用于自动头颈肿瘤分割

Jan, 2024

基于去中心化的八卦 mutual learning (GML) 技术应用于自动头颈肿瘤分割

Decentralized Gossip Mutual Learning (GML) for automatic head and neck tumor segmentation

Jingyun Chen, Yading Yuan

TL;DRGML 是一种去中心化的协作学习框架，通过使用八卦协议实现直接的点对点通信并利用相互学习从同行处获取有用信息，改善了基于全局数据特性训练的模型性能，尤其在肿瘤分割任务方面，相比于基线方法（汇集训练、FedAvg 和单独训练），在特定测试样本中的 Dice 相似系数（DSC）分别提高了 3.2%、4.6% 和 10.4%，在 78 个样本的两个样本外站点上应用时，GML 的泛化性能与汇集训练和 FedAvg 相当，同时通信开销减少了六倍，仅需总通信开销的 16.67%。

Abstract

federated learning (FL) has emerged as a promising strategy for collaboratively training complicated machine learning models from different medical centers without the need of data sharing. However, the traditional FL relies on a central server to orchestrate the global model training

federated learning gossip mutual learning decentralized collaborative learning tumor segmentation communication overhead

发现论文，激发创造

去中心化 Gossip Mutual Learning（GML）用于多参数 MRI 的脑肿瘤分割

通过 Gossip Mutual Learning (GML) 这种基于 Gossip 协议的去中心化框架，我们在使用 BraTS 2021 数据集的四个临床站点中，对 146 个病例进行肿瘤分割任务的实验中发现，GML 在与本地模型相比具备显著优势，在只有 25% 通信开销的情况下达到了与 FedAvg 类似的性能。

Jan, 2024

DFML：分散式联邦互联学习

我们提出了一种无服务器的去中心化联邦互联模型学习（DFML）框架，通过相互学习和循环改变监督和蒸馏信号的量，有效处理模型和数据异构性，并在各种条件下，在收敛速度和全局准确性上优于流行基准。

Feb, 2024

分段式 Gossip 算法的去中心化联邦学习

本文提出了一种基于模型细分的分散式联邦学习方法，并采用细分的 “流言” 方法来实现节点间对等带宽的充分利用和良好的训练收敛性，在实验中，与中心化联邦学习相比，能够大大缩短训练时间。

Aug, 2019

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

联邦图机器学习：概念、技术和应用综述

本篇综述介绍了联邦图机器学习 (FGML) 的分类和技术，并总结了不同领域的应用和现有研究的局限性和未来方向。

Jul, 2022

联邦互助学习

本文提出了一种新的联邦学习范例，名为联邦互助学习（FML），以处理三种不同类型的异质性，允许客户在共同设计通用模型的同时独立设计个性化并为不同场景和任务的个性化定制模型。

Jun, 2020

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

M3FGM: 基于节点掩码和多粒度消息传递的联邦图模型，用于空间 - 时间数据预测

该研究提出了一种基于节点掩蔽和多粒度消息传递的联邦图模型来解决时空预测中的隐私和安全问题，该模型的实验结果表明在两种不同的场景中得到了最佳结果。

Oct, 2022

神经图模型的联邦学习

我们开发了一个 FL 框架，其中维护一个全局的 NGM 模型，通过学习本地 NGM 模型的平均信息，同时保持训练数据在客户端环境中。我们的设计 FedNGMs 避免了神经元匹配框架的问题，如 Federated Matched Averaging，在这些框架中存在模型参数膨胀的问题。我们的全局模型大小在整个过程中保持恒定。对于客户端具有不包含在组合全局分布中的本地变量的情况，我们提出了一种 “拼接” 算法，它通过使用客户端数据合并附加变量来个性化全局 NGM 模型。FedNGM 对数据异质性、大量参与者和有限的通信带宽具有鲁棒性。

Sep, 2023

混合分布下的联邦多任务学习

该研究提出了一种基于混合模型假设的联邦多任务学习方法，该方法可以在设备上学习个性化模型并实现客户端和服务端两种架构下的联邦 EM 算法的收敛，同时在联邦学习基准测试中获得了更高的准确性和公平性。

Aug, 2021