論文の概要: Inverse Distance Aggregation for Federated Learning with Non-IID Data

• arxiv url: http://arxiv.org/abs/2008.07665v1
• Date: Mon, 17 Aug 2020 23:20:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 02:49:05.115771
• Title: Inverse Distance Aggregation for Federated Learning with Non-IID Data
• Title（参考訳）: 非IIDデータを用いたフェデレーション学習のための逆距離集約
• Authors: Yousef Yeganeh, Azade Farshad, Nassir Navab, Shadi Albarqouni
• Abstract要約: 近年,フェデレートラーニング(FL)は医用画像の分野で有望なアプローチである。 FLにおける重要な問題は、特に医療シナリオにおいて、ノイズの多い分散クライアントやアウトオブディストリビューションクライアントに対して堅牢な、より正確な共有モデルを持つことである。 非平衡データと非IDデータを扱うメタ情報に基づく新しい適応重み付け手法であるIDAを提案する。
• 参考スコア（独自算出の注目度）: 48.48922416867067
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning (FL) has been a promising approach in the field of medical imaging in recent years. A critical problem in FL, specifically in medical scenarios is to have a more accurate shared model which is robust to noisy and out-of distribution clients. In this work, we tackle the problem of statistical heterogeneity in data for FL which is highly plausible in medical data where for example the data comes from different sites with different scanner settings. We propose IDA (Inverse Distance Aggregation), a novel adaptive weighting approach for clients based on meta-information which handles unbalanced and non-iid data. We extensively analyze and evaluate our method against the well-known FL approach, Federated Averaging as a baseline.
• Abstract（参考訳）: 近年,医療画像の分野では連合学習(fl)が有望なアプローチとなっている。 FLにおける重要な問題は、特に医療シナリオにおいて、ノイズやアウトオブディストリビューションクライアントに対して堅牢な、より正確な共有モデルを持つことである。 本研究では,医療データにおいて,例えば,異なるスキャナ設定の異なるサイトから得られるような,flのデータにおける統計的不均一性の問題に取り組む。 非バランス・非iidデータを扱うメタ情報に基づく,新しい適応的重み付け手法であるida(inverse distance aggregation)を提案する。 我々は,この手法をよく知られたFLアプローチであるFederated Averagingをベースラインとして広く分析し,評価した。

関連論文リスト

• FedMRL: Data Heterogeneity Aware Federated Multi-agent Deep Reinforcement Learning for Medical Imaging [12.307490659840845]
  我々は,データの不均一性に対処する新しいマルチエージェント深層強化学習フレームワークであるFedMRLを紹介する。 FedMRLは、クライアント間の公平性を促進するために、新たな損失関数を導入し、最終グローバルモデルのバイアスを防ぐ。 その結果,FedMRLが最先端技術よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-07-08T10:10:07Z)
• Think Twice Before Selection: Federated Evidential Active Learning for Medical Image Analysis with Domain Shifts [11.562953837452126]
  多様なドメインから得られたローカルデータの情報性を評価するための最初の試みを行う。 本稿では,ドメインシフト下でのデータ評価を校正する新しい手法であるFederated Evidential Active Learning(FEAL)を提案する。
  論文  参考訳（メタデータ） (2023-12-05T08:32:27Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Bayesian Federated Inference for estimating Statistical Models based on Non-shared Multicenter Data sets [0.0]
  Federated Learning(FL)は、異なるデータセンターのローカル推論から構築することを目的とした機械学習アプローチである。 我々は、FLと同じ目的のマルチセンターデータのための代替ベイズ連邦推論(BFI)フレームワークを実装した。 シミュレーションおよび実生活データに基づいて提案手法の性能を定量化する。
  論文  参考訳（メタデータ） (2023-02-15T14:11:20Z)
• Closing the Generalization Gap of Cross-silo Federated Medical Image Segmentation [66.44449514373746]
  クロスサイロ・フェデレーション・ラーニング (FL) は近年, 深層学習による医用画像解析において注目されている。 FLでトレーニングされたモデルと、集中的なトレーニングでトレーニングされたモデルの間にはギャップがある。 本稿では,クライアントの問題を回避し,ドリフトギャップを解消するための新しいトレーニングフレームワークであるFedSMを提案する。
  論文  参考訳（メタデータ） (2022-03-18T19:50:07Z)
• Do Gradient Inversion Attacks Make Federated Learning Unsafe? [70.0231254112197]
  フェデレートラーニング(FL)は、生データを共有することなく、AIモデルの協調トレーニングを可能にする。 モデル勾配からのディープニューラルネットワークの反転に関する最近の研究は、トレーニングデータの漏洩を防止するためのFLの安全性に関する懸念を提起した。 本研究では,本論文で提示されたこれらの攻撃が実際のFLユースケースでは実行不可能であることを示し,新たなベースライン攻撃を提供する。
  論文  参考訳（メタデータ） (2022-02-14T18:33:12Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• Improving Performance of Federated Learning based Medical Image Analysis in Non-IID Settings using Image Augmentation [1.5469452301122177]
  フェデレーテッド・ラーニング(FL)は、厳格なプライバシー制約の下で働く義務のある患者、人々、企業、業界に属する機密データを利用するのに適したソリューションである。 FLはデータプライバシとセキュリティの問題を主にあるいは部分的にサポートし、複数のエッジデバイスや組織が、複数のローカルデータを使用してグローバルモデルのトレーニングに、それらを必要とせずにコントリビュートするための、モデルの代替手段を提供する。 本稿では,FLの非IIDデータ問題に対処するため,画像の増大によりクライアントのデータ分散を動的にバランスさせる手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T10:05:42Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• Auto-FedAvg: Learnable Federated Averaging for Multi-Institutional Medical Image Segmentation [7.009650174262515]
  フェデレーションラーニング(FL)は、各参加者のプライバシーを維持しながら共同モデルのトレーニングを可能にします。 FedAvgは、FLプロセス中にサーバ上で分散学習されたモデルを集約するために、各クライアントのデータセットサイズに由来する固定重みを使用する標準的なアルゴリズムである。 本研究では,凝集重みを動的に調整した新しいデータ駆動型アプローチ,auto-fedavgを設計した。
  論文  参考訳（メタデータ） (2021-04-20T18:29:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。