本文档属于类型a，即报告了一项原创研究。以下是对该研究的学术报告：

作者及发表信息

本研究的作者包括Peishan Wei、Tianwei Zhou（IEEE会员）、Weide Liu、Jie Du（IEEE会员）、Tianfu Wang和Guanghui Yue（IEEE会员）。研究发表于2025年的《IEEE Transactions on Instrumentation and Measurement》期刊，论文编号为4001213。

学术背景

本研究的主要科学领域为医学图像分类（medical image classification），特别是基于个性化联邦学习（Personalized Federated Learning, PFL）的算法开发。医学图像分类是智能医疗领域的研究热点之一，但由于医学数据的隐私保护需求，传统的深度学习方法难以获取大量标注数据。联邦学习（Federated Learning, FL）作为一种分布式学习框架，能够在保护数据隐私的同时进行模型训练。然而，传统联邦学习方法在处理数据异质性（data heterogeneity）和满足个性化需求方面存在局限性。特别是，医学图像数据中存在较高的类间相似性（interclass similarity），这进一步影响了分类模型的性能。

本研究旨在解决以下两个核心问题：1）如何在本地模型中有效解耦和利用通用信息（universal information）与个性化信息（personalized information），以应对数据异质性；2）如何降低私有数据集中高类间相似性对模型性能的影响。为此，作者提出了一种新颖的PFL框架——FedPDN（Personalized Federated Learning with Interclass Similarity Constraint through Parameter Decoupling Network）。

研究流程

本研究的主要流程包括以下几个步骤：

1. 模型初始化：所有客户端（clients）使用相同的初始模型进行本地模型的初始化。
2. 本地模型训练：每个客户端使用其私有数据集对本地模型进行训练。为了应对高类间相似性，作者提出了一种新的损失函数——类间可分性损失（Interclass Separability Loss, IS Loss）。该损失函数通过动态调整不同类别特征之间的角度，扩大决策边界，从而降低类间相似性。
3. 模型解耦：客户端使用基于奇异值分解（Singular Value Decomposition, SVD）的解耦策略（Decoupling Local Model Strategy, DLMS），将本地模型的参数分解为两个部分：通用组件（Universal Component, UC）和个性化组件（Personalized Component, PC）。UC包含分类任务所需的通用信息，而PC则包含适应私有数据集的个性化信息。
4. 通用组件传输与聚合：客户端仅将UC传输到服务器（server），服务器对收集到的UC进行聚合，生成新的通用组件（UCt）。这一过程不仅减少了传输资源的使用，还保护了客户端的个性化信息。
5. 模型更新：客户端将新的UCt与本地保留的PC结合，生成更新后的个性化本地模型，用于下一轮训练。

主要结果

本研究在两个真实的医学图像分类数据集（皮肤镜数据集和青光眼数据集）上进行了广泛的实验，结果表明FedPDN在多个评估指标上均优于现有的九种先进方法。具体结果如下：

1. 皮肤镜数据集：FedPDN的准确率（Accuracy）达到87.16%，显著高于其他方法。
2. 青光眼数据集：FedPDN的准确率达到84.64%，同样优于其他方法。

此外，通过t-SNE可视化分析，作者展示了FedPDN在处理类间相似性方面的有效性。与其他方法相比，FedPDN能够更清晰地区分不同类别的特征，表明其类间可分性损失和解耦策略的有效性。

结论与意义

本研究提出了一种新颖的PFL框架——FedPDN，通过解耦通用信息与个性化信息，并引入类间可分性损失，成功解决了医学图像分类中的两大挑战：数据异质性和高类间相似性。FedPDN不仅在多个评估指标上实现了最先进的性能，还显著降低了传输资源的消耗，并保护了客户端的隐私信息。

本研究的科学价值在于：1）首次提出在本地模型中解耦通用信息与个性化信息的概念，为个性化联邦学习提供了新的思路；2）通过类间可分性损失，动态调整特征角度，有效降低了类间相似性对模型性能的影响。此外，FedPDN的框架设计具有广泛的应用价值，特别是在多中心医学图像分类任务中，能够显著提升模型的分类准确性和鲁棒性。

研究亮点

1. 新颖的解耦策略：通过SVD将本地模型参数分解为通用组件和个性化组件，实现了信息的高效利用。
2. 类间可分性损失：动态调整特征角度，显著降低了类间相似性，提升了模型的分类性能。
3. 资源节约与隐私保护：仅传输通用组件，减少了传输资源的消耗，并保护了客户端的个性化信息。

其他有价值的内容

本研究还进行了详细的消融实验（ablation study），验证了解耦策略和类间可分性损失的有效性。此外，作者对解耦策略中的截断率（truncation rate, tr）和类间可分性损失中的超参数b进行了深入分析，确定了最优参数设置。

通过以上报告，本研究为医学图像分类任务提供了一种高效、隐私保护的解决方案，具有重要的理论和实践意义。