肺炎图像分类的联合学习策略研究

1、原文

Investigating Federated Learning strategies for Pneumonia Image Classification

https://ieeexplore.ieee.org/document/9701619  

2、摘要

深度学习已经成为一种很有前途的方法，可以在医疗保健领域建立准确和健壮的模型。本文探讨了使用X射线图像进行肺炎分类的联合学习策略，并分析了它如何解决隐私问题。联邦训练的性能经过比较，证明与传统的集中训练方法相当。三种聚合技术，即联合平均(FedAvg)、坐标中位数(COMED)和几何中位数(GEOMED)已针对两种实际场景实施和分析。事实证明，与FedAvg相比，COMED和GEOMED对异常值的存在更具弹性。提出了层混洗协议，用于在共享模型权重的同时实现数据加密。

3、正文

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

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

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

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

4、结论

在本文中，联邦学习策略在保护医疗敏感信息的背景下的意义和应用分析。分析得出的一个重要推论是，在分散数据上训练的模型的性能与在集中数据上训练的模型的性能相当，同时保持了安全性和隐私性。FedAvg与高级聚合器（COMEDGEOMED)和它们的性能进行了比较。模拟了两种不同的场景，一个是正常场景，另一个是存在拜占庭客户端的场景。COMED和GEOMED等聚合器的优势显而易见，因为它们对损坏模型的恢复能力比FedAvg高30%。已经分析了获得最佳可能模型与频繁将模型权重从各个节点发送到全局服务器所涉及的通信开销之间的权衡。具有单一聚合的较高局部时期仅显示模型性能略有下降。比较和对比基于延迟和组合数量的各种级别的混洗机制，层混洗被证明是最经济的。因此，通过联邦学习和强大的密码机制，可以在不损害隐私的情况下构建改进的模型。

5、参考文献