Non-parametric regularization for class imbalance federated medical image classification

有限的训练数据和严重的类别不平衡对于开发具有临床鲁棒性的深度学习模型构成了重大挑战。联邦学习（FL）通过使不同的医疗客户端协作训练深度模型而不共享隐私敏感数据来解决前者。然而，由于客户端类别分布的差异，类别不平衡变得更加严重。我们提出了带有非参数正则化的联邦学习（FedNPR和FedNPR-Per，FedNPR的个性化版本），以规范特征提取器并增强特征空间中有用和有区分性的信号。我们的广泛实验表明，FedNPR在类别不平衡的皮肤病变分类和颅内出血识别方面优于现有的最先进FL方法。此外，非参数正则化模块始终可以提高现有最先进FL方法的性能。我们相信，在临床环境中，NPR是FL中的有价值的工具。

本论文旨在解决医疗数据中有限的训练数据和严重的类别不平衡问题，提出了一种联邦学习的非参数正则化方法，以提高分类模型的性能。

本论文提出了一种联邦学习的非参数正则化方法（FedNPR和FedNPR-Per），用于规范特征提取器并增强特征空间中有用和有区分性的信号，以解决类别不平衡问题。

论文通过广泛的实验表明，FedNPR在皮肤病分类和颅内出血识别等任务中优于现有的联邦学习方法。此外，非参数正则化模块还可以提高现有联邦学习方法的性能。该方法在临床环境下具有重要应用价值。

最近的相关研究包括：《Federated Learning with Non-IID Data》、《Federated Learning for Healthcare Informatics》等。