arXiv 机器学习· Paul Kurian, Tamoghna Chattopadhyay, Abhijith Shaji, Greg Ver Steeg, Paul M. Thompson, Jose Luis Ambite·· 9 小时前AI 评分31
数据量异构性可提升神经影像联邦学习性能
Data Amount Heterogeneity Improves Performance in Federated Learning for Neuroimaging
AI 导读
在基于 MRI 的神经影像联邦学习中，由数据量异构站点（1 个大站点加多个小站点）组成的联邦表现优于数据量同质的联邦，性能接近中心化训练。研究表明，大站点的存在能带来更快的收敛速度和更高的最终准确率，在低数据量场景下表现尤为明显。这种异构架构能更有效利用小数据量站点，契合 ENIGMA 等大型联盟的实际场景。
来源：arXiv 机器学习 · arxiv.org