AsynDGAN学习笔记

《Synthetic Learning: Learn From Distributed Asynchronized Discriminator GAN Without Sharing Medical Image Data》阅读笔记

论文《Synthetic Learning: Learn From Distributed Asynchronized Discriminator GAN Without Sharing Medical Image Data》是发表在CVPR2020上的文章。文章代码的github地址为：https://github.com/tommy-qichang/AsynDGAN

    医疗数据的隐私问题是一个非常重要的问题，这就导致现目前医学方面的数据集非常少。但训练一个成功的机器学习算法用于医学图像分析，需要足够的数据量。因此就很难获得足够的医学数据来训练机器学习模型。

    在这篇论文中，作者设计了一个使用集中生成器和分布式判别器来学习目标数据集从而生成分布的框架。使用这种框架就可以聚集来自多个医院的数据集，以获得整体分布的可靠估计。具体的任务(例如，分割和分类)可以通过从生成器获取数据然后在本地完成。从合成图像学习有几个优点:

1、隐私机制

    生成器只能从医院的真实图片中获得有限的信息，当生成器与医院的判别器通信时，只有关于合成图片的信息可以被传输。这样的话就禁止生成器直接访问原始数据，从而保护了隐私。

2、合成数据共享

    合成数据的自然属性允许生成器不受限制地共享合成图像。这样就可以建立一个公众可访问的、可靠的医学数据库。

3、对架构更新有自适应性

    机器学习结构通过新的损失函数，网络结构或者优化器以获得更好的性能。最近经过良好训练的模型可能在未来随着新架构的发明而过时或表现不佳。由于私有数据并不总是可访问的，即使我们基于这些数据集训练一个模型，我们也无法采用新的架构来实现更高的性能。作者提出的方法不是训练一个特定任务的模型，而是训练一个从分布式判别器学习的生成器。作者通过生成器学习私有数据集的分布来产生供未来使用的合成图像，而不用担心专有数据集的丢失。

方法：

AsynDGAN是由一个中央生成器和多个位于不同的医疗实体的分布式判别器组成。具体如图：