解耦联邦学习框架

缓解类别不平衡

将表示学习与分类器重训练解耦，在联邦学习下有效缓解医学图像分类中的类别不平衡问题，兼顾整体与少数类性能。

Chen, Chunling · 潘海为 · 张可佳 · Yuchao, Zhang · Guan, Jian

Pattern Recognition 2026

参数信息

对比基线数目

12

技术优势

打破少数类与多数类的权衡

通过将表示学习和分类器重训练完全解耦，不再像耦合学习那样在提升少数类的同时牺牲多数类性能，从而同时提升整体和平衡指标。

让客户端本地分类器更均衡

利用高斯原型生成类别均衡的合成特征供本地分类器重训练，在不共享原始数据的前提下缓解类别偏置。

应用场景

• 医学图像分类：用于皮肤病灶和病理图像等数据不平衡的多中心分类任务，提升少数类识别率。
• 联邦学习：在客户端数据异构且类别不平衡的联邦设置下进行协作建模，无需共享原始图像。
• 临床决策支持：通过提升少数类（如罕见病）识别能力，为临床诊断提供更可靠的辅助决策。
• 可穿戴医疗设备数据分析：可应用于可穿戴设备采集的异构分布式医学数据分析，缓解数据不平衡问题。