Adaptive Asynchronous Split Federated Learning for Medical Image Segmentation
Notice bibliographique
Résumé
Split federated (SplitFed) learning offers promise for collaborative machine learning across decentralized and resource-constrained clients (edge devices, nodes, or organizations) in various applications, including healthcare. However, real-world challenges arise in heterogeneous environments where clients experience communication-related data losses, differ in computational capabilities, and have varying local dataset sizes. In this paper, we introduce adaptive asynchronous split federated learning (AASFL), an innovative training scheme to address such challenges. AASFL blends asynchronous SplitFed learning with client-level adaptability, acknowledging varying client capabilities. In AASFL, each client independently adapts its learning rate and the number of local training epochs based on its local training speed, dataset size, and packet loss probability. To demonstrate the effectiveness of AASFL, we implement and evaluate it on a SplitFed network architecture for medical image segmentation. Moreover, we demonstrate the validity of AASFL by emphasizing the necessity of training each client in the collaborative network and revealing drawbacks of client selection. The results on two public datasets indicate that it greatly enhances global model performance, leading to more accurate segmentation results. We also statistically show that AASFL outperforms the standard SplitFed. Furthermore, we provide a theoretical convergence analysis of AASFL. To the best of our knowledge, this is the first analysis of SplitFed in an adaptive, asynchronous setting. The proposed AASFL training scheme offers a promising avenue for improving medical image segmentation tasks in practical decentralized learning environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,013 | 0,014 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».