FedProIn框架增强了医学影像的联邦学习

研究人员开发了FedProIn，一个旨在通过解决客户端漂移来改进医学影像联邦学习的新框架。该方法利用可学习的类别原型来捕获异构客户端之间共享的语义结构，从而缓解由扫描仪、采集协议和患者群体差异引起的问题。FedProIn引入了特征散度损失和原型对比损失来对抗客户端漂移，并采用归一化影响聚合策略来根据客户端原型对全局表示的贡献来对其进行自适应加权。在HAM10000和Matek-19数据集上的实验表明，FedProIn在IID和非IID条件下均取得了高精度，优于现有基线。 AI

影响 这项研究通过改进医学影像的联邦学习技术，有望在医疗保健领域实现更强大、更准确的AI模型。

排序理由 该集群包含一篇详细介绍联邦学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• client drift
• federated learning
• FedProIn
• HAM10000
• Matek-19
• Vaanathi Sundaresan PhD

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →