FIDAL：分布偏移下的多样性感知联邦主动学习
原文标题：FIDAL: Diversity-Aware Federated Active Learning Under Real-World Distribution Shifts
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 FIDAL，一种开放集联邦主动学习框架，结合校准的全局-局部证据不确定性、支持集多样性加权和自适应 OOD 拒绝。拒绝门控使用 Otsu 准则对基础模型高斯覆盖信号进行阈值化，无需手工调参。在三个多中心医学影像基准上，FIDAL 比基于检测器的开放集方法高出约 12 个百分点，并节省 7-29 小时专家阅片时间。
- 问题
- 联邦临床场景中标注成本高、域偏移大，且现有主动学习忽略分布外样本。
- 方法
- FIDAL 结合校准的全局-局部证据不确定性、支持集多样性加权，并用 Otsu 准则自适应门控 OOD 拒绝。
- 结果
- 在三个多中心医学影像基准上比基于检测器的开放集方法高约 12 个百分点，乳腺摄影基准节省 7-29 小时专家阅片。
- 影响
- 联邦医疗影像标注流水线可直接减少无效标注与专家工时，无需手工调阈值。
深读 · 结论先行AI 生成展开看要点与影响 ↓
FIDAL用Otsu阈值免调参拒绝OOD样本，医学影像平衡准确率超检测器法约12个百分点。
- •结合校准的全局-局部证据不确定性、支持集多样性加权与自适应OOD拒绝，构成开放集联邦主动学习框架
- •拒绝门控用Otsu准则对基础模型高斯覆盖信号逐客户端逐轮取阈值，无需手工调参
- •在皮肤科、组织病理、乳腺钼靶三个多中心基准上，平衡准确率最高超检测器类开放集方法约12个百分点
- •等查询预算下，OOD样本标注量至少比所有精度匹配基线少1.3倍，乳腺钼靶基准估计省7-29小时专家阅片
为什么重要：联邦医疗场景中标注成本高且常混入无关OOD样本，该方法把「该标谁」和「该丢谁」合并处理，对跨机构医学影像协作训练有直接价值。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。