联邦主动学习新突破：少标注1.3倍，准确率反超12个百分点！
FIDAL: Diversity-Aware Federated Active Learning Under Real-World Distribution Shifts
📖 AI 总结
该研究提出FIDAL，一种面向开放集场景的联邦主动学习框架，旨在解决联邦学习中标注成本高、域偏移和类别不平衡等问题，尤其是分布外（OOD）无关样本稀释标注数据质量的难题。FIDAL融合了校准的全局-局部证据不确定性、支持集多样性加权以及自适应OOD拒绝机制，通过Otsu准则对每个客户端每轮的基础模型高斯覆盖信号进行阈值判定，无需人工调参即可筛选高信息量的分布内样本并排除无关离群点。在皮肤科、组织病理学和乳腺钼靶三个多中心医学影像基准上的实验表明，FIDAL在平衡准确率上最高超越基于检测器的开放集方法约12个百分点，是唯一在三个基准上均位于准确率与分布内纯度帕累托前沿的方法；在相同查询预算下，其用于OOD样本的标注量至少比所有准确率匹配的基线少1.3倍，在乳腺钼靶基准上估计节省7至29小时的专家阅片时间。仅标注部分数据即可达到或超过全监督性能，凸显了在医学开放集联邦主动学习中整合不确定性、多样性与OOD拒绝的价值。
🔑 关键词速览
| FIDAL | 一种开放集联邦主动学习框架，结合不确定性、多样性和OOD拒绝来优化标注查询。 |
| 联邦主动学习 | 在联邦学习环境下，通过主动选择最有价值的样本进行标注以降低标注成本的方法。 |
| 分布外（OOD）样本 | 与训练数据分布不一致的样本，通常为无关或异常数据，可能干扰模型训练。 |
| 证据不确定性 | 基于证据理论（如主观逻辑）量化模型预测的不确定性，反映模型对预测的置信程度。 |
| Otsu准则 | 一种自动图像阈值分割方法，通过最大化类间方差确定最佳阈值，此处用于自适应OOD拒绝。 |
📱 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