FedPC:一个高效的基于原型的集群联合学习在医学成像
概括
联合学习 (FL) 面临着异质数据的挑战. 我们的新FedPC框架通过使用双原型来改进集群联合学习 (CFL),以实现更好的客户群组和性能,显著降低通信开销.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 计算机科学 计算机科学
背景情况:
- 联合学习 (FL) 允许协作培训,同时保持数据隐私.
- 在FL中的数据异质性导致性能降低.
- 现有的集群联合学习 (CFL) 方法在准确的客户代表和集群方面存在困难.
研究的目的:
- 提出一个高效的基于原型的CFL框架 (FedPC) 来解决数据异质性.
- 为了提高客户端集群准确性和FL的整体集群性能.
- 为了减少联合学习系统中的通信开销.
主要方法:
- 引入了一种双原型策略 (具体和通用原型) 来捕获客户端类表示.
- 实施了原型对比训练机制,以提高集群内部原型的一致性.
- 评估了医学成像数据集 (BloodMNIST和DermaMNIST) 的框架.
主要成果:
- 在BloodMNIST和DermaMNIST上,FedPC在BloodMNIST和DermaMNIST上表现优于九种最先进的 (SOTA) CFL方法,平均精度提高了2.17%和3.47%.
- 与SOTA方法相比,FedPC框架减少了3.33至5.68倍的通信开销.
- 在处理FL的数据异质性方面表现出卓越的性能和效率.
结论:
- 拟议的FedPC框架通过先进的原型学习有效地解决了FL的数据异质性.
- 在集群精度和模型性能方面,FedPC提供了显著的改进.
- 该框架为现实世界联合学习应用提供了实用和高效的解决方案,特别是在医学成像领域.
