H-FLAME: An Aggregation Strategy Benchmark for Federated Learning in Multi-Site ASD Facial Screening

Tran Van Thanh, Do Nang Toan, Lam Thanh Hien, Van Dinh Vy Phuong

Abstract


Học liên kết (Federated Learning - FL) cho phép phát triển các hệ thống sẵn sàng sử dụng học sâu tại nhiều bệnh viện mà vẫn đảm bảo quyền riêng tư, không cần chia sẻ dữ liệu bệnh nhân nguyên — một yêu cầu bắt quân tại Việt Nam theo Nghị định 13/2023/ND-CP. FL chưa từng được đánh giá về giá trị trong việc sẵn sàng lọc rối loạn phổ tự kỷ (ASD) qua hình ảnh mẫu mã, và cũng chưa xác định được quy mô của mô hình liên kết mạng này có thể mở rộng đến bất kỳ cấp độ nào trước khi kết quả lâm sàng sẵn sàng bị suy giảm. Chúng tôi đã thực hiện đánh giá so sánh các dữ liệu tổng hợp chiến lược cho nhiệm vụ này. Sử dụng bộ dữ liệu VN-ASDetect (bao gồm 2.821 hình ảnh, được tăng gấp khoảng mười lần thông qua kỹ thuật tổng hợp tư thế và biểu cảm bằng FLAME/DECA), chúng tôi mô phỏng các mạng lưới liên kết bao gồm 2, 3, 5, 8 và 10 cơ sở y tế phản ánh đặc điểm nhân khẩu học của các bệnh viện tại Việt Nam. Đồng thời, chúng tôi đánh giá các thuật toán FedAvg, FedProx, FedBN và SCAFFOLD dựa trên các số chỉ: chênh lệch tỷ lệ cân bằng (chênh lệch tỷ lệ cân bằng), khoảng cách hiệu quả giữa các nhóm con (SPG) và số F1. Kết quả cho thấy tính công bằng giữa các nhóm suy giảm nhanh hơn đáng kể so với độ chính xác phân loại và trở thành yếu tố hạn chế quy mô mạng: với thuật toán FedAvg, khi mở rộng từ 2 lên 8 cơ sở, điểm F1 giảm 4,7% (vẫn đảm bảo giá trị lâm sàng), trong khi chỉ số SPG tăng 87% và vượt 10% cho phép triển khai. Do đó, nếu giám sát dựa trên độ chính xác tổng hợp, mạng lưới có thể mở rộng vượt quá giới hạn chấp nhận được về chênh lệch giữa các nhóm mà không có cảnh báo nào. FedBN đạt được chỉ số SPG thấp nhất ở mọi thử nghiệm với mức giảm điểm F1 tối đa chỉ 0,3 điểm phần trăm; Đây cũng là chiến lược duy nhất giữ SPG dưới ngưỡng giới hạn khi phát triển tại 8 cơ sở (đạt 9,6%), trong khi tất cả các chiến lược khác đều không đạt được yêu cầu ở quy mô 10 cơ sở. Để hỗ trợ kế hoạch lập kế hoạch trước khi phát sinh chi phí huấn luyện, chúng tôi giới thiệu H_FLAME — một thước đo không đồng nhất (số liệu không đồng nhất), được xác định bằng giá trị trung bình của khoảng cách Wasserstein-2 giữa các tâm trí học mặt (centroid) của từng cơ sở y tế (trích xuất qua FLAME/DECA). H_FLAME có thể được tính toán trong chưa đầy đủ hai phút cho mỗi cơ sở, có ý nghĩa giải trí thư giãn học rõ ràng và cho thấy biến thiên gấp 5,8 lần giữa các cấu hình thử nghiệm, trong khi tốc độ khác biệt về không gian nhãn (nhãn-không gian phân kỳ) chỉ biến thiên gấp 3,3 lần; Điều này phản ánh thực tế rằng tỷ lệ mắc bệnh ASD khá đồng đều giữa các nhóm, trong khi hình thái khuôn mặt lại có sự khác biệt. Tất cả các kết quả này đều dựa trên mô phỏng có kiểm soát Kiểm soát một bộ dữ liệu duy nhất được phân tích; do đó, chúng tôi trình bày phương pháp này như một giả thuyết cần kiểm tra vì một hướng dẫn đã được xác thực.

References


Centers for Disease Control and Prevention, “Autism spectrum disorder (ASD): Data and statistics,” CDC ADDM Network, 2023.

M. S. Farooq, S. Tehseen, M. T. Sabir, and H. A. Kharal, “A comprehensive review of machine learning-based methods for diagnosing autism spectrum disorder,” Diagnostics, vol. 13, no. 8, p. 1399, 2023.

Anonymous Authors, “VN-ASDetect: A mobile AI sys tem for early autism spectrum disorder screening based on facial morphology and behavior,” manuscript in preparation; citation withheld for double-blind review.

G. Huang, Z. Liu, L. van der Maaten, and K. Q. Weinberger, “Densely connected convolutional networks,” in Proc. IEEE CVPR, 2017, pp. 4700–4708.

Vietnamese Government, “Decree 13/2023/ND-CP on personal data protection,” Official Gazette of the Vietnamese Government, Hanoi, Vietnam, Tech. Rep., 2023.

H. B. McMahan, E. Moore, D. Ramage, S. Hampson, and B. A. y Arcas, “Communication-efficient learning of deep networks from decentralized data,” in Proc. AISTATS, 2017, pp. 1273–1282.

M. J. Sheller et al., “Federated learning in medicine: Facil

itating multi-institutional collaborations without sharing patient data,” Scientific Reports, vol. 10, no. 1, p. 12598, 2020.

M. K. Syfullah, S. Ali, and M. M. Hossain, “Federated learning for autism spectrum disorder detection,” in Proc. 2nd Int. Conf. Machine Intelligence and Emerging Technologies (MIET), 2023.

Y. Zhao, M. Li, L. Lai, N. Suda, D. Civin, and V. Chandra, “Federated learning with non-IID data,” 2018, arXiv:1806.00582.

T. Li, A. K. Sahu, M. Zaheer, M. Sanjabi, A. Talwalkar, and V. Smith, “Federated optimization in heterogeneous networks,” in Proc. MLSys, vol. 2, 2020, pp. 429–450.

X. Li, M. Jiang, X. Zhang, M. Kamp, and Q. Dou, “FedBN: Federated learning on non-IID features via localbatch normalization,” in Proc. ICLR, 2021.

S. P. Karimireddy, S. Kale, M. Mohri, S. Reddi, S. Stich, and A. T. Suresh, “SCAFFOLD: Stochastic controlled averaging for federated learning,” in Proc. ICML, 2020, pp. 5132–5143.

D. Alvarez-Melis and N. Fusi, “Geometric dataset dis tances via optimal transport,” in Advances in NeurIPS, vol. 33, 2020, pp. 21428–21439.

N. Rieke et al., “The future of digital health with feder ated learning,” npj Digital Medicine, vol. 3, no. 1, p. 119, 2020.

T. Li, T. Bolkart, M. J. Black, H. Li, and J. Romero, “Learn ing a model of facial shape and expression from 4D scans,” ACM Trans. Graphics (SIGGRAPH Asia), vol. 36, no. 6, pp. 194:1–194:17, 2017.

V. Blanz and T. Vetter, “A morphable model for the synthesis of 3D faces,” in Proc. SIGGRAPH, 1999, pp. 187–194.

Y. Feng, H. Feng, M. J. Black, and T. Bolkart, “Learn ing an animatable detailed 3D face model from in-the wild images,” ACM Trans. Graphics (SIGGRAPH), vol. 40, no. 4, pp. 88:1–88:13, 2021.

K. Aldridge et al., “Facial phenotypes in subgroups of prepubertal boys with autism spectrum disorders are correlated with clinical phenotypes,” Molecular Autism, vol. 2, no. 1, p. 15, 2011.

M. Boutrus, G. Alvares, G. Bhatt, P. Barhoun, J. Micallef, P. Brewer, and M. Maybery, “Increased facial asymmetry in autism spectrum disorder is associated with symptom presentation,” Autism Research, vol. 12, no. 11, pp. 1774 1784, 2019.

M. Hardt, E. Price, and N. Srebro, “Equality of opportunity in supervised learning,” in Advances in NeurIPS, vol. 29, 2016, pp. 3315–3323.

J. Buolamwini and T. Gebru, “Gender shades: Intersec tional accuracy disparities in commercial gender classification,” in Proc. FAccT, 2018, pp. 77–91.

Y. H. Ezzeldin, S. Yan, C. He, E. Ferrara, and S. Aves timehr, “FairFed: Enabling group fairness in federated learning,” in Proc. AAAI, vol. 37, 2023, pp. 7494–7502.

C. Villani, Optimal Transport: Old and New. Berlin, Germany: Springer, 2009.

D. J. Beutel, T. Topal, A. Mathur, X. Qiu, T. Parcollet, Lane, “Flower: A friendly federated learning research framework,” 2020, arXiv:2007.14390.

J. Quinonero-Candela, M. Sugiyama, A. Schwaighofer, and N. D. Lawrence, Eds., Dataset Shift in Machine Learning. Cambridge, MA, USA: MIT Press, 2009.




DOI: http://dx.doi.org/10.21553/rev-jec.466

Copyright (c) 2026 REV Journal on Electronics and Communications


ISSN: 1859-378X

Copyright © 2011-2026
Radio and Electronics Association of Vietnam
All rights reserved