具有改进表示能力和个性化聚合的医学联邦学习

《ACM Transactions on Knowledge Discovery from Data》：Medical Federated Learning with Improved Representation and Personalized Aggregation

本文提出FedDiv联邦学习方法，通过提取集中特征并过滤随机成分实现个性化模型聚合，在保护隐私的同时提升准确率、特异性和灵敏度，在4个医疗数据集验证中优于14种现有方法。

　　

摘要

联邦学习是一种将机器学习方法与多中心医疗数据连接起来的有前景的桥梁。它利用本地数据训练模型，并保护数据的隐私。有许多用于联邦学习的方法来聚合模型，尤其是个性化方法，这些方法表现出相对优异的性能。然而，大多数方法在聚合过程中过分关注全局信息和局部信息，而忽略了随机成分，这限制了它们在准确性、特异性和敏感性等指标上的表现。我们提出了一种方法（称为FedDiv），旨在在这些指标之间取得平衡。其基本思想是在提取全局特征的同时过滤随机成分，并进行个性化聚合。这些全局特征能够吸引编码器的注意力，从而提高个性化模型在特异性和敏感性方面的性能。此外，它们包含更多的全局和局部信息，这对个性化聚合有利。同时，我们的个性化方法在聚合模型时尽可能保留了局部信息。这些局部信息是个性化模型在准确性方面表现更好的关键因素。最后，我们在3个公共医疗数据集和1个私有医疗数据集上验证了这种方法。与14种联邦学习方法相比，我们的方法在准确性、特异性、敏感性和F1分数等指标上取得了最佳性能。