[论文解读] Smart Split-Federated Learning over Noisy Channels for Embryo Image Segmentation

Zahra Hafezi Kafshgari, Ivan V. Bajić+1 more|arXiv (Cornell University)|Jan 26, 2026

Privacy-Preserving Technologies in Data被引用 0

一句话总结

论文提出 Smart SplitFed，一种对分割式联邦学习的抗噪声平均策略，在通信噪声下相对于简单平均和 SplitFedAVG提高了胚胎图像分割的模型性能。

ABSTRACT

Split-Federated (SplitFed) learning is an extension of federated learning that places minimal requirements on the clients computing infrastructure, since only a small portion of the overall model is deployed on the clients hardware. In SplitFed learning, feature values, gradient updates, and model updates are transferred across communication channels. In this paper, we study the effects of noise in the communication channels on the learning process and the quality of the final model. We propose a smart averaging strategy for SplitFed learning with the goal of improving resilience against channel noise. Experiments on a segmentation model for embryo images shows that the proposed smart averaging strategy is able to tolerate two orders of magnitude stronger noise in the communication channels compared to conventional averaging, while still maintaining the accuracy of the final model.

研究动机与目标

• 在医疗场景中当客户端计算资源有限时，激发对 SplitFed 的使用。
• 研究通信噪声如何影响 SplitFed 的训练与模型质量。
• 开发一种考虑数据不平衡与客户端可靠性的抗噪声平均策略。
• 在一个多标签胚胎分割任务上展示所提出的方法。

提出的方法

• 研究用于胚胎图像分割的 SplitFed U-Net，前端 FE 在客户端、后端 BE 在服务器端。
• 在每次全局 epoch 结束后进行全局求平均前，进行客户端本地训练若干轮的串行训练。
• 提出 Smart SplitFed 平均策略，将基于客户端损失的可靠性与数据分布相结合来计算权重。
• 在最佳本地 epoch 上计算每个客户端的损失统计 mu_i 与 sigma_i，推导上置信界 b_i = mu_i + 2*sigma_i。
• 通过对 alpha*(1 - b) 进行 softmax 得到质量分数 q，并结合数据分布 d 形成最终用于平均的权重 r。
• 应用平均得到全局服务器权重 W_S 和客户端权重 W_C：W̄^S = sum_i r_i W_i^S、W̄^C = sum_i r_i W_i^C。

实验结果

研究问题

• RQ1 信道噪声如何影响胚胎图像分割的局部与全局模型质量？
• RQ2 相比朴素或数据加权平均，是否存在一种基于损失信息、具可靠性意识的平均策略能提高对噪声通信的鲁棒性？
• RQ3 当前向、反向与服务器到客户端传输的噪声水平上升时，Smart SplitFed 的性能如何变化？

主要发现

• Smart SplitFed 能容忍比传统平均方法强两个数量级的噪声，同时保持最终模型精度。
• 在 modest 的噪声水平下，朴素的 SplitFed 难以收敛（例如 sigma_noise = 1e-3），而 SplitFedAVG 在 1e-2 时失败；在所报告的设置中 Smart SplitFed 稳健性可达 5e-1。
• Smart SplitFed 会对由于噪声链路导致的损失增加作出响应，实际在噪声出现后对不可靠客户端进行弱化权重处理。
• 在无噪声时，所有方法表现相近；随着噪声增大，Smart SplitFed 一贯实现比朴素 SplitFed 与 SplitFedAVG 更高的准确率和更低的测试损失。
• 分割质量（BG、ZP、TE、ICM、BL 的 IOU）在相同 sigma_noise 水平下 Smart SplitFed 最高，且在 ICM 及总体 IOU 上有详细提升。
• 可视化示例显示 Smart SplitFed 能提供更准确的 ICM 边界和整体分割掩模。