FedDAG:联邦领域对抗性世代 走向可泛化医疗图像分析

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 计算机视觉 计算机视觉

背景情况:

• 联邦域泛化 (FDG) 在不共享原始数据的情况下,在各种数据源上训练模型.
• 目前的FDG方法由于有限的域转移模拟而难以进行分布外的概括.
• 使用源域对目标域转移进行近似估计对于增强模型概括至关重要.

研究的目的:

• 提出联邦域对抗生成 (FedDAG),这是一个新的框架,用于改善联合学习中的概括.
• 通过对抗地生成不同于现有源域的新域来增强模型通用化.
• 在联合学习中解决跨客户的绩效不平衡,以优化全球模型通用化.

主要方法:

• 通过最大限度地提高实例级特征差异,FedDAG可以产生新的域名.
• 通过将原始和生成图像之间的特征差异最小化来训练一个可概括的任务模型.
• 使用模型度对本地模型 (客户内部和跨客户端) 进行分层聚合,以平衡贡献.

主要成果:

• 在联邦医疗成像场景中,FedDAG有效地增强了概括能力.
• 拟议的对抗生成成功模拟了域名转移,改善了分布之外的性能.
• 层次聚合减轻了客户端特定的概括失衡,从而产生了更强大的全球模型.

结论:

• FedDAG提供了一种简单而有效的方法来改进联邦域名通用化.
• 通过等级聚合来解决客户端异质性对于最佳的联合学习性能至关重要.
• 该框架显示了现实应用的巨大潜力,特别是在医疗成像等敏感领域.