MH-pFLGB: Model Heterogeneous personalized Federated Learning via Global Bypass for Medical Image Analysis

在医疗人工智能应用的不断发展中，联邦学习以保护训练数据隐私的能力而著名。联邦学习促进了卫生保健机构之间的协作模型开发，而无需共享本地数据。然而，这些机构之间的统计和系统异质性带来了实质性的挑战，影响了联邦学习的有效性并阻碍了客户之间的信息交流。为了解决这些问题，我们介绍了一种新的方法，MH-pFLGB，它采用全局旁路策略来缓解对公共数据集的依赖和非独立同分布数据分布的复杂性。我们的方法通过集成全局旁路模型来增强传统联邦学习，该模型既可以在客户之间共享信息，又可以作为网络的一部分来增强每个客户的性能。此外，MH-pFLGB提供了一个特征融合模块，以更好地组合本地和全局特征。我们通过对不同医学任务进行广泛的测试来验证模型的有效性和适应性，证明其与现有最先进方法相比具有卓越的性能。

如何在保护训练数据隐私的前提下，提高联邦学习的效率和信息交换？

采用全局绕过策略，引入全局绕过模型，将信息在客户端之间共享，同时作为网络的一部分，提高每个客户端的性能。同时，提供特征融合模块，更好地结合本地和全局特征。

论文提出了一种新的方法MH-pFLGB，通过在联邦学习中引入全局绕过模型和特征融合模块来解决医学数据的非独立同分布问题，实验结果表明该方法优于现有的最先进方法。

最近的相关研究包括：《FedHealth：一种联邦学习方法，用于医疗图像分类任务》、《一种基于联邦学习的医疗图像分割方法》等。