论文标题：Auto-FedAvg: Learnable Federated Averaging for Multi-Institutional Medical Image Segmentation

论文链接：https://arxiv.org/abs/2104.10195

作者单位：约翰斯·霍普金斯大学 & NVIDIA

表现SOTA！性能优于FedMA、FedProx 等网络。

联邦学习（FL）支持协作模型训练，同时保留每个参与者的隐私，这对医疗领域特别有利。 FedAvg是一种标准算法，该算法使用固定权重（通常来自每个客户端的数据集大小）来在FL过程中聚合服务器上的分布式学习模型。但是，跨客户端的不完全相同的数据分布（在FL中称为non-i.i.d问题）可能会使设置固定聚合权重的假设不理想。在这项工作中，我们设计了一种新的数据驱动方法，即Auto-FedAvg，可根据数据孤岛上的数据分布和模型的当前训练进度来动态调整聚合权重。我们将参数集分解为两个部分：局部模型参数和全局聚集参数，并使用一种通信效率高的算法对其进行迭代更新。我们首先通过在CIFAR-10的异构数据拆分上优于最新的FL方法进行图像识别来证明我们方法的有效性。此外，我们证明了我们的算法在两项多机构医学图像分析任务上的有效性，即胸部CT的COVID-19病变分割和腹部CT的胰腺分割。

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