混合Gossip-FedAvg在27万病理图像上实现AUC 0.88，去中心化学习媲美联邦平均！
Decentralized Gossip Learning and Federated Averaging for Histopathology Image Classification
📖 AI 总结
本研究针对乳腺组织病理图像分类任务，比较了基于服务器的联邦平均（FedAvg）、完全去中心化的gossip学习以及二者结合的混合Gossip-FedAvg三种分布式学习范式。实验采用277,524张彩色图像块，按患者不重叠划分训练、验证与测试集，并在六个节点上以Dirichlet引导的工作负载均衡方式分配数据，同时评估了环形、随机三度及全连接三种gossip拓扑。在主要实验中，混合Gossip-FedAvg取得0.8811的测试ROC-AUC，略高于FedAvg的0.8801和全连接gossip的0.8751；三次独立患者级重复中，FedAvg与混合方法平均ROC-AUC均为0.9082。研究表明，FedAvg是稳定性最佳的服务器基线，拓扑感知的gossip可作为可行的去中心化替代方案，而混合方法在点对点扩散与周期性全局协调之间实现了平衡。
🔑 关键词速览
| Federated Averaging (FedAvg) | 一种联邦学习算法，通过服务器聚合多个客户端的本地模型更新来训练全局模型。 |
| Gossip Learning | 一种去中心化机器学习方法，节点之间通过随机对等通信交换模型更新，无需中央服务器。 |
| Hybrid Gossip-FedAvg | 结合了 gossip 学习的对等扩散和联邦平均的周期性全局协调的混合分布式学习策略。 |
| Invasive Ductal Carcinoma (IDC) | 浸润性导管癌，一种常见的乳腺癌类型，起源于乳腺导管并侵入周围组织。 |
| ROC-AUC | 受试者工作特征曲线下面积，衡量二分类模型区分能力的常用指标，值越高表示性能越好。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅