语境聚合器:在联合学习中,一种损失和类不平衡意识聚合的方法
Qamar Abbas1, Khalid Mahmood Malik2, Abdul Khader Jilani Saudagar3
1Department of Computer Science, Faculty of Computing and Information Technology, International Islamic University, Islamabad, 44000, Pakistan.
医疗成像的联合学习 (FL) 模型可以通过计算每个医院的数据质量和类平衡来改进. 本研究引入了上下文聚合器 (CAVL和CACI),以提高FL模型的性能,特别是用于COVID-19分类.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 医疗成像医学成像
背景情况:
- 联合学习 (FL) 能够实现跨机构的协作模式培训,而无需共享原始数据,这对于隐私敏感的医疗数据至关重要.
- FL可以创建多样化的医学成像数据集,以改进查,诊断和治疗模式,特别是面对诸如流行病等挑战.
- 传统的FL由于受过不良培训的本地模型和简单的参数聚合导致的多样性问题而遭受了退化的泛化.
研究的目的:
- 通过考虑客户端节点的相对贡献来提高联合学习模型的概括能力.
- 为了应对医学成像分析在FL的验证损失和类不平衡的挑战.
- 提出和评估上下文聚合器FL (CAVL和CACI) 以提高COVID-19图像分类的性能.
主要方法:
- 开发了背景聚合器FL (CAVL),专注于验证损失和 (CACI),专注于类不平衡.
- 将合作节点的相对贡献纳入FL聚合过程.
- 在多个COVID-19成像分类数据集上评估了拟议的上下文聚合器方法.
主要成果:
- 与标准的联邦平均和FedProx算法相比,提出的上下文聚合器方法显示出更高的性能.
- CAVL和CACI有效地解决了FL的验证损失和类不平衡问题.
- 使用增强的FL方法,提高了COVID-19图像分类的准确性和可靠性.
结论:
- 背景聚合器FL (CAVL和CACI) 对医学图像分析的传统FL方法提供了显著的改进.
- 解决当地模型质量和数据分布问题是提高医疗保健中FL泛化的关键.
- 提出的方法显示出开发强大的诊断工具的希望,用于COVID-19等传染病的诊断工具.
更多相关视频
05:19Author Spotlight: Advancing Research in Microbial Autoaggregation Using Imaging Flow Cytometry
Published on: September 29, 2023
11:37Generation of Aggregates of Mouse Embryonic Stem Cells that Show Symmetry Breaking, Polarization and Emergent Collective Behaviour In Vitro
Published on: November 24, 2015
相关概念视频
Aggregates Classification
Petrographic classification groups aggregates based on common mineralogical characteristics. Some of the common mineral groups found in aggregates are...
Types of Aggregate Grading
Well-graded aggregates include a complete range of necessary size fractions that fit together to create a dense matrix with minimal voids, represented by a smooth, continuous gradation curve. This type of grading ensures good...
Maximum Size of Aggregate
Unsoundness of Aggregate due to Volume Change
Associative Learning
Classical conditioning, also known...
Observational Learning
