基于隐私保护机制的辐射光源衍射图像筛选

同步辐射光源产生超高速的衍射图像数据流，需要通过数据筛选降低数据传输和存储的压力。但互相竞争的研究小组不愿意分享数据，现有基于深度学习的筛选方法难以应对隐私保护下有效训练的挑战，因此首次将联邦学习技术应用在辐射光源衍射图像筛选中，通过数据和模型分离，实现隐私保护下的训练数据增广。提出筛选方法 Federated Kullback-Leibler (FedKL)，基于改进的KL散度和数据量权重，对全局模型更新进行改进，在获得高准确率的同时降低算法的复杂度，满足高速数据流高精度处理要求。针对异地光源多中心数据同步训练的困难，又提出同步和异步相结合的混合训练方式，在不降低模型识别准确率的同时，显著提升了模型的训练速度。在光源CXIDB-76公开数据集上的实验结果表明，相比FedAvg,FedKL能够提升准确率和F1分数，分别提升了25.2个百分点和0.419。