基于提示的个性化联邦学习用于医学视觉问答
原文中文，约400字，阅读约需1分钟。发表于：。我们提出了一种新颖的基于提示的个性化联邦学习（pFL）方法，以解决传统医学视觉问答（VQA）方法中的数据异质性和隐私问题。具体而言，我们将来自不同器官的医学数据集视为客户，并使用 pFL 为每个客户训练个性化的基于 Transformer 的 VQA 模型。为了解决以前的 pFL...
本文提出了一种基于提示的个性化联邦学习（pFL）方法，用于解决医学视觉问答中的数据异质性和隐私问题。通过将不同器官的医学数据集视为客户，并使用pFL为每个客户训练个性化的基于Transformer的VQA模型。此方法通过引入小的可学习参数提示，解决了以前pFL方法中客户间通信的高计算复杂性。同时，还引入了一个可靠性参数，以防止低性能和不相关客户的负面影响。对各种异构医学数据集进行了广泛评估，证明了该方法的有效性。
