皮肤病变分类的联邦主动学习框架
原文中文，约1600字，阅读约需4分钟。
📝
内容提要
本研究探讨了在联邦学习框架中结合主动学习和采样策略，以减少标注工作量。引入的Federated Evidential Active Learning (FEAL)方法评估不同领域本地数据的信息量，提升了图像分类模型的准确性。实验结果显示，FEAL在医学成像分类任务中优于传统方法，成功训练了乳腺密度分类模型，性能显著提升。
🔎
延伸解读
FEAL 如何减少标注负担
FEAL 在联邦学习框架中引入主动学习，通过评估不同领域本地数据的信息量，优先选择最有价值的样本进行标注。这有助于在标注资源有限的情况下，提升模型训练效率，减少不必要的标注成本。
不确定性估计与多样性策略
FEAL 利用 Dirichlet 先验分布将预测视为概率分布，并通过证据模型捕获不确定性。随后校准随机不确定性，并采用多样性放松策略减少数据冗余，保持数据多样性，从而提升主动学习的效果。
医学影像分类的性能提升
在乳腺密度分类任务中，FEAL 通过联邦学习协作训练全局模型，性能比本地模型平均提高 6.3%，在其他机构测试数据上相对改进达 45.8%。这表明 FEAL 在医学影像分类中具有实际应用潜力。
❓
Q&A
什么是联邦主动学习框架？
联邦主动学习框架是结合了联邦学习和主动学习的策略，旨在减少标注工作量并提高模型的准确性。
FEAL方法如何提高医学成像分类的准确性？
FEAL方法通过评估不同领域本地数据的信息量，结合不确定性校准和多样性放松策略，显著提升了分类模型的性能。
在乳腺密度分类模型中，FEAL的性能提升了多少？
FEAL在乳腺密度分类模型中，性能平均提高了6.3%。
联邦学习如何在医疗领域应用？
联邦学习通过在多个医疗机构之间协作学习，构建全局模型，实现数据的非集中化处理。
FEAL与传统方法相比有什么优势？
FEAL在医学成像分类任务中表现优于传统方法，能够更有效地处理领域转移下的数据评估。
如何评估不同领域本地数据的信息量？
FEAL方法通过引入Dirichlet先验分布，评估数据的不确定性，从而判断信息量。
🏷️
