ترجمه فارسی مقاله UniFed: یک فدراسیون جهانی از ترکیبی از وظایف طبقه بندی تصاویر پزشکی بسیار ناهمگن

چکیده

A fundamental challenge in federated learning lies in mixing heterogeneous datasets and classification tasks while minimizing the high communication cost caused by clients as well as the exchange of weight updates with the server over a fixed number of rounds. This results in divergent model convergence rates and performance, which may hinder their deployment in precision medicine. In real-world scenarios, client data is collected from different hospitals with extremely varying components (e.g., imaging modality, organ type, etc). Previous studies often overlooked the convoluted heterogeneity during the training stage where the target learning tasks vary across clients as well as the dataset type and their distributions. To address such limitations, we unprecedentedly introduce UniFed, a universal federated learning paradigm that aims to classify any disease from any imaging modality. UniFed also handles the issue of varying convergence times in the client-specific optimization based on the complexity of their learning tasks. Specifically, by dynamically adjusting both local and global models, UniFed considers the varying task complexities of clients and the server, enhancing its adaptability to real-world scenarios, thereby mitigating issues related to overtraining and excessive communication. Furthermore, our framework incorporates a sequential model transfer mechanism that takes into account the diverse tasks among hospitals and a dynamic task-complexity based ordering. We demonstrate the superiority of our framework in terms of accuracy, communication cost, and convergence time over relevant benchmarks in diagnosing retina, histopathology, and liver tumour diseases under federated learning. Our UniFed code is available at https://github.com/basiralab/UniFed.

چکیده به فارسی (ترجمه ماشینی)

یک چالش اساسی در یادگیری فدرال در اختلاط مجموعه داده های ناهمگن و کارهای طبقه بندی و ضمن به حداقل رساندن هزینه ارتباطی بالا ناشی از مشتری و همچنین تبادل به روزرسانی وزن با سرور در تعداد مشخصی از دور است.این منجر به نرخ همگرایی مدل واگرا و عملکرد می شود که ممکن است مانع استقرار آنها در پزشکی دقیق شود.در سناریوهای دنیای واقعی ، داده های مشتری از بیمارستان های مختلف با مؤلفه های بسیار متفاوت (به عنوان مثال ، روش تصویربرداری ، نوع اندام و غیره) جمع آوری می شود.مطالعات قبلی غالباً از ناهمگونی پیچیده در مرحله آموزش غافل می شدند که در آن وظایف یادگیری هدف در بین مشتری ها و همچنین نوع مجموعه داده ها و توزیع آنها متفاوت است.برای پرداختن به چنین محدودیت هایی ، ما به طور بی سابقه ای Unifed ، یک الگوی یادگیری جهانی فدرال را معرفی می کنیم که هدف آن طبقه بندی هر بیماری از هر روش تصویربرداری است.Unifed همچنین مسئله زمان همگرایی مختلف را در بهینه سازی خاص مشتری بر اساس پیچیدگی کارهای یادگیری آنها برطرف می کند.به طور خاص ، با تنظیم پویا هر دو مدل محلی و جهانی ، Unifed پیچیدگی های مختلف کار مشتری و سرور را در نظر می گیرد و سازگاری آن را با سناریوهای دنیای واقعی افزایش می دهد و از این طریق موضوعات مربوط به بیش از حد و ارتباط بیش از حد را کاهش می دهد.علاوه بر این ، چارچوب ما شامل یک مکانیسم انتقال مدل پی در پی است که وظایف متنوع را در بین بیمارستان ها و یک ترتیب مبتنی بر کار و انعطاف پذیری پویا در نظر می گیرد.ما برتری چارچوب خود را از نظر صحت ، هزینه ارتباطی و زمان همگرایی نسبت به معیارهای مربوط در تشخیص شبکیه ، هیستوپاتولوژی و بیماریهای تومور کبد تحت یادگیری فدراسیون نشان می دهیم.کد Unifed ما در https://github.com/basiralab/unifed در دسترس است.