FIDAL：现实世界分布变化下的多样性感知联合主动学习

arXiv:2609.31637v1 公告类型：新 摘要：联邦学习可以在不集中数据的情况下跨机构进行协作模型训练，但高注释成本、领域转移和类别不平衡仍然是主要障碍，特别是当不相关的分布外（OOD）样本稀释标记数据时。现有的主动学习方法针对分布内 (ID) 数据中的不确定性或多样性，并忽略联合临床环境中的未知样本。我们提出了 FIDAL，一种开放集联合主动学习框架，它结合了校准的全局-局部证据不确定性、支持集多样性权重和自适应 OOD 拒绝。拒绝门根据 Otsu 的标准对每个客户端和每轮的基础模型高斯覆盖信号进行阈值设置，以便查询信息丰富的 ID 样本，同时排除不相关的异常值，而无需任何手动调整阈值。在现实的开放集场景中对三个多中心医学成像基准（皮肤病学、组织病理学和具有有机性伪影的乳房 X 线摄影）进行评估，FIDAL 的平衡精度比基于探测器的开放集方法高出约 12 个百分点，并且是所有三个基准中精度-ID 纯度 Pareto 前沿的唯一方法。在相同的查询预算下，它在 OOD 样本上花费的注释比每个精度匹配的基线至少少 1.3 倍，从而节省了估计 7-29 小时的乳房 X 线摄影基准专家阅读时间。通过仅标记数据池的一小部分，它可以匹配或超过跨模式的完全监督性能。这些结果凸显了在医学开放集联合主动学习中整合不确定性、多样性和 OOD 拒绝的价值。