EVENT DOSSIER
针对异构多机构胸部 X 光分类中的样本量不均衡问题，研究人员提出了 FedDRAW 联邦学习聚合方法。该方法结合数据规模先验与客户端及全局参数间的余弦相似度，采用两个耦合退火调度机制进行加权：内层调度将客户端声誉从规模先验转向相似度，外层延迟退火调度在训练早期和中期保持权重选择性并随收敛趋于均匀。研究团队在 CheXpert 和 ChestMNIST 两个数据集的 12 种模拟客户端分区场景下，与七项联邦基线进行了对比测试。结果显示，FedDRAW 在 AUC 及敏感性与特异性几何均值（GM）两项指标上均取得了最高平均排名。Friedman 检验配合 Nemenyi 事后分析证实，该方法与其他方法存在统计学显著差异。
FedDRAW 提出一种用于异构多机构胸部 X 光分类的联邦双声誉退火加权服务器端聚合方法。该方法结合数据规模先验与客户端及全局参数余弦相似度，采用两个耦合退火调度机制：内层调度将客户端声誉从规模先验转向相似度，外层延迟退火调度在早期和中…
研究人员提出了一种名为 FedDRAW 的联邦学习聚合方法，旨在解决异构多机构胸部 X 光分类中的样本量不均衡问题。该方法结合数据规模先验与客户端及全局参数间的余弦相似度，采用两个耦合退火调度机制进行加权。在 CheXpert 和 Che…
FedDRAW 提出一种用于异构多机构胸部 X 光分类的联邦双声誉退火加权服务器端聚合方法。该方法结合数据规模先验与客户端及全局参数余弦相似度，采用两个耦合退火调度机制：内层调度将客户端声誉从规模先验转向相似度，外层延迟退火调度在早期和中期保持权重选择性并随收敛趋于均匀。研究在 CheXpert 和 ChestMNIST 两个数据集的 12 种模拟客户端分区场景下，与七项联邦基线进行对比测试。FedDRAW 在 AUC 及敏感性与特异性几何均值（GM）两项指标上均取得最高平均排名，Friedman 检验配合 Nemenyi 事后分析证实了该方法与其他方法存在统计学显著差异。
研究人员提出了一种名为 FedDRAW 的联邦学习聚合方法，旨在解决异构多机构胸部 X 光分类中的样本量不均衡问题。该方法结合数据规模先验与客户端及全局参数间的余弦相似度，采用两个耦合退火调度机制进行加权。在 CheXpert 和 ChestMNIST 两个数据集的 12 种模拟场景下，FedDRAW 在 AUC 及敏感度特异度几何均值（GM）两项指标上均取得了最高平均排名，且经 Friedman 检验与 Nemenyi 事后分析证实具有统计学显著性。