直播预告|AAAI 2022：协调异质医学图像引起的局部和全局偏移的联邦学习算法

最新推荐文章于 2025-02-26 10:44:30 发布

AI_Drive

最新推荐文章于 2025-02-26 10:44:30 发布

阅读量4.8k

点赞数

文章标签：人工智能

本文链接：https://blog.youkuaiyun.com/AI_Drive/article/details/123573804

版权

本期AI Drive直播将解读AAAI 2022论文《HarmoFL: Harmonizing Local and Global Drifts in Federated Learning on Heterogeneous Medical Images》。嘉宾姜美锐将分享如何通过局部和全局视角解决多中心医学图像异质性导致的偏移问题，包括频域归一化和模型参数扰动方法。直播中还将介绍联邦学习背景、实验结果和代码资源。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

「AI Drive」是由 biendata 和 PaperWeekly 共同发起的学术直播间，旨在帮助更多的青年学者宣传其最新科研成果。我们一直认为，单向地输出知识并不是一个最好的方式，而有效地反馈和交流可能会让知识的传播更加有意义，从而产生更大的价值。

本期 AI Drive，我们邀请到香港中文大学在读博士生-姜美锐，为大家在线解读其发表在 AAAI 2022的最新研究成果：协调异质医学图像引起的局部和全局偏移的联邦学习算法。对本期主题感兴趣的小伙伴，3 月 22 日（周二）晚 7 点，我们准时相约 AI_Drive B 站直播间。

一、直播信息

1、演讲摘要：

联邦学习已经成为有效利用分散的医疗资源，打破数据孤岛的新型学习范式，然而由于不同数据中心所采用的设备和成像参数设置各异，来自多个中心的数据面临异质性问题。本文聚焦于多中心医学图像的异质性，创新性地从局部和全局两个视角相结合来解决异质数据导致的学习偏移问题，包括：1）提出基于频域的振幅归一化操作来协调不同客户端之间的异质数据特征，减轻局部更新偏移问题；2）提出基于梯度的模型参数扰动来促进模型收敛于平坦解，对聚合阶段进行优化。所提出方法的有效性在三个不同医学数据集上得到了验证，涵盖了图像分类与分割任务。代码和模型公开于：https://github.com/med-air/HarmoFL。