Jun, 2024

FedMLP：面向任务异质性的联邦多标签医学图像分类

PDF
TL;DR在多标签联邦学习中，考虑到任务异质性，本文提出了 FedMLP 方法，通过伪标签标记和全局知识学习两个方面来解决标签缺失问题，并在两个公开的医学数据集上验证了其优越性。
cross-silo federated learningtask heterogeneitymulti-label medical image classificationfedmlppseudo label tagging
发现论文，激发创造
  • 医学影像中数据和模型异质性的联邦学习

    本文提出了一种名为 MDH-FL 的方法，利用数据和模型的异质性，通过知识蒸馏和对称损失来提高联邦学习中全局模型的效率，实验证明该方法在医学数据集上比现有方法表现出更好的优越性。

    Jul, 2023

  • 医学图像分类中标签集不匹配的规模联合学习

    本研究提出了一种名为 FedLSM 的框架，用于在医学图像领域中解决标签集不匹配的问题，并在两个公共实际医学图像数据集上评估 FedLSM，证明其在分类精度上优于其他现有的 FL 算法。

    Apr, 2023

  • 关于数据异构性对联邦学习环境的影响及其在医疗网络中的应用

    本研究探索了医疗数据领域中联邦学习的数学形式化和异质性分类，重点检验了最流行的联邦学习算法在处理基于数量、特征和标签分布的异质性方面的能力，并基于这些挑战对七种常见的联邦学习算法进行了性能评估。研究目标是通过一组由不同的联邦医院数据集收集的表格性临床报告预测中风复发的风险，讨论了这种场景中经常遇到的数据异质性及其对联邦学习性能的影响。

    Apr, 2024

  • 多层原型的动态异构联邦学习

    提出了一种名为 Federated Multi-Level Prototypes (FedMLP) 的新型联邦学习框架，以应对异构数据分布和动态任务的联邦学习需求，并引入原型和语义原型来缓解概念漂移问题。

    Dec, 2023

  • 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

  • FedMT：混合标签联邦学习

    本文提出了面向混合标签的联邦学习方法，旨在解决不同中心之间标签的空间不匹配问题，并结合不同联邦学习方法，通过过参数化 ReLU 网络实现线性收敛的标签投影，通过基准和医学数据集验证理论分析的有效性。

    Oct, 2022

  • 面向医学转录分析的联合多语言模型

    该论文介绍了一个针对医学实体标注等下游任务的大规模多语言模型的联邦学习系统，它能够跨越高度异质化的数据提供者进行训练，并通过本地训练步骤进一步提高全局模型的性能。

    Nov, 2022

  • FedMM：计算病理学中具有模态异质性的联邦多模态学习

    提出并评估了一种名为 FedMM 的联邦多模态学习框架，该框架通过联邦训练多个单模态特征提取器来增强后续分类性能，以解决计算病理学中多模态信息融合的隐私问题。

    Feb, 2024

  • 3FM: 多模式元学习用于联邦任务

    我们提出了一种面向联邦学习领域的新方法，特别关注应对模态异质性、客户端间模态可用性的差异和缺失数据的问题。我们介绍了一个专为多模态联邦任务设计的元学习框架，并通过对增强的 MNIST 数据集进行广泛的实验验证了我们提出的框架的有效性。我们的算法在一些缺失模态场景中通过元学习率的精细调整，实现了比基线更好的性能。

    Dec, 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