FEDSLD：用于医学图像分类的共享标签分布联合学习

1、原文

FEDSLD: FEDERATED LEARNING WITH SHARED LABEL DISTRIBUTION FOR MEDICAL IMAGE CLASSIFICATION

https://ieeexplore.ieee.org/document/9761404  

2、摘要

联邦学习(FL)可以协作训练多个医疗中心的联合模型，同时由于隐私问题而保持数据分散。然而，联合优化经常受到跨医疗中心数据分布的异质性的影响。在这项工作中，我们提出了用于分类任务的具有共享标签分布的联邦学习（FedSLD），该方法通过了解客户的标签分布来调整每个数据样本对本地目标的贡献，从而减轻数据异质性带来的不稳定性.我们对具有不同类型的非IID数据分布的四个公开可用的图像数据集进行了广泛的实验。我们的结果表明，FedSLD比比较领先的FL优化算法实现了更好的收敛性能，将测试精度提高了5.50个百分点。

3、正文

-----------------------------------------------------------------------

-----------------------------------------------------------------

--------------------------------------------------------------

-----------------------------------------------------------------------

4、结论

在这项工作中，我们提出了一种用于医学图像分类的新FL算法：具有共享标签分布的联邦学习(FedSLD)。FedSLD旨在通过利用客户的标签分布来减轻非IID数据造成的影响。我们对具有两种类型的非IID设置的四个公开可用的数据集进行了广泛的实验，并证明FedSLD优于比较领先的FL算法，并鼓励所有参与客户的性能更公平。

5、参考文献