通过联邦学习和源目标远程梯度对齐实现具备开放数据访问能力的部署后适应
原文中文,约300字,阅读约需1分钟。发表于: 。医学影像中深度神经网络的部署受到训练数据与部署后处理的数据之间的分布偏移的限制,导致性能下降。本研究提出了 FedPDA,一种新的适应框架,将联邦学习中来自远程数据的学习效用引入到 PDA 中,从而使得部署模型能够通过远程梯度交换获取源数据的信息,并针对目标领域进行优化。通过应用于癌症转移检测和皮肤病变分类等多中心数据库的实验,我们的方法与之前的工作相比表现优异。
本研究提出了FedPDA,一种新的适应框架,用于解决医学影像中深度神经网络的性能下降问题。通过将远程数据的学习效用引入到PDA中,FedPDA能够通过远程梯度交换获取源数据的信息,并针对目标领域进行优化。实验结果表明,FedPDA在多中心数据库上表现优异,特别是在癌症转移检测和皮肤病变分类方面。