论文标题：FedDG: Federated Domain Generalization on Medical Image Segmentation via Episodic Learning in Continuous Frequency Space 论文链接：https://arxiv.org/abs/2103.06030 代码链接：https://github.com/liuquande/FedDG-ELCFS 作者单位：香港中文大学 & 香港理工大学 医学图像分割和联邦学习梦幻联合！可从多个分布式源域中学习联邦模型，使其可以直接泛化到未知的目标域！优于FedAvg、BigAug等，代码即将开源！注：这是第一个提高联邦模型在完全未知域上泛化性的工作。

联邦学习使分布式医疗机构可​​以共同学习具有隐私保护功能的共享预测模型。在进行临床部署时，如果将联邦学习中训练的模型应用于联盟外unseen hospitals，仍然会遭受性能下降的困扰。在本文中，我们指出并解决了联邦域泛化（FedDG）的一种新的问题设置，其目的是从多个分布式源域中学习联邦模型，使其可以直接泛化到未知的目标域。通过使每个客户端都能在数据分散的挑战性约束下利用多源数据分布，我们针对此问题提出了一种称为连续频率空间情节学习的新颖方法。我们的方法通过有效的连续频率空间插值机制以隐私保护的方式在客户端之间传输分发信息。通过转移的多源分布，我们进一步精心设计了一个面向边界的情节学习范例，以使本地学习暴露于域分布变化，并特别满足医学图像分割场景中模型泛化的挑战。相对于最新技术和两项医学图像分割任务的深度消融实验，我们的方法具有优越的性能，证明了其有效性。

内容中包含的图片若涉及版权问题，请及时与我们联系删除