元数据驱动的联邦学习：在非独立同分布（Non-IID）多领域场景中连接性脑模板的联合训练

《IEEE Transactions on Medical Imaging》：Metadata-Driven Federated Learning of Connectional Brain Templates in Non-IID Multi-Domain Scenarios

本文提出元数据驱动的联邦学习框架MetaFedCBT，通过元数据回归器预测跨域统计特征，结合局部-全局网络残差权重优化模型，并利用元数据引导的连接生成器持续更新多中心未标记数据表征，有效解决脑连接多域异构数据非独立同分布问题。实验表明其显著优于现有方法。

　　

摘要：

连接性脑模板（CBT）是对大脑连接性群体的整体表示。CBT的联邦学习能够以完全保留数据的方式，从多个领域（例如医院）估计大脑连接性的CBT。然而，现有方法忽略了由于多领域大脑连接性的异质性而产生的非独立同分布（non-IID）问题。这一问题降低了来自多个分散领域的局部学习CBT的中心性，最终导致表示能力受限。为了解决这一限制，我们提出了一个基于元数据的联邦学习框架MetaFedCBT，用于在非独立同分布条件下进行多领域CBT学习。利用来自特定领域的数据，我们的模型能够通过提出的元数据回归器和局部-全局网络残差权重来预测其他未见领域的元数据（即统计信息）。此外，我们还引入了一个基于元数据的连接性生成器，在获得的元数据指导下预测未见领域的大脑连接性。随着联邦学习在多轮迭代中的进行，我们不断更新预测的元数据和大脑连接性，以更好地逼近未见领域。MetaFedCBT通过生成具有信息性的大脑连接性，实现了保护隐私的整体CBT学习。在正常受试者和患者受试者的多视图形态学大脑网络上的广泛实验表明，我们的MetaFedCBT是一个更优秀的联邦CBT学习模型，并显著提升了现有技术的性能。