論文の概要: FLOP: Federated Learning on Medical Datasets using Partial Networks
- arxiv url: http://arxiv.org/abs/2102.05218v1
- Date: Wed, 10 Feb 2021 01:56:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-11 14:43:02.929012
- Title: FLOP: Federated Learning on Medical Datasets using Partial Networks
- Title（参考訳）: FLOP: 部分ネットワークを用いた医療データセットのフェデレーション学習
- Authors: Qian Yang, Jianyi Zhang, Weituo Hao, Gregory Spell, Lawrence Carin
- Abstract要約: 新型コロナウイルスの感染拡大で医療資源が不足している。
新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。
患者のプライバシー上の懸念から、データそのものはまだ乏しい。
我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
- 参考スコア（独自算出の注目度）: 84.54663831520853
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The outbreak of COVID-19 Disease due to the novel coronavirus has caused a
shortage of medical resources. To aid and accelerate the diagnosis process,
automatic diagnosis of COVID-19 via deep learning models has recently been
explored by researchers across the world. While different data-driven deep
learning models have been developed to mitigate the diagnosis of COVID-19, the
data itself is still scarce due to patient privacy concerns. Federated Learning
(FL) is a natural solution because it allows different organizations to
cooperatively learn an effective deep learning model without sharing raw data.
However, recent studies show that FL still lacks privacy protection and may
cause data leakage. We investigate this challenging problem by proposing a
simple yet effective algorithm, named \textbf{F}ederated \textbf{L}earning
\textbf{o}n Medical Datasets using \textbf{P}artial Networks (FLOP), that
shares only a partial model between the server and clients. Extensive
experiments on benchmark data and real-world healthcare tasks show that our
approach achieves comparable or better performance while reducing the privacy
and security risks. Of particular interest, we conduct experiments on the
COVID-19 dataset and find that our FLOP algorithm can allow different hospitals
to collaboratively and effectively train a partially shared model without
sharing local patients' data.
- Abstract（参考訳）: 新型コロナウイルスによる新型コロナウイルスの流行により、医療資源が不足している。
診断プロセスを支援し、加速するために、ディープラーニングモデルによる新型コロナウイルスの自動診断が世界中で研究されている。
新型コロナウイルスの診断を軽減するために、さまざまなデータ駆動のディープラーニングモデルが開発されているが、患者のプライバシーに関する懸念のため、データ自体はまだ乏しい。
フェデレーションラーニング(FL)は、異なる組織が生データを共有せずに効果的なディープラーニングモデルを協力的に学ぶことができるため、自然なソリューションです。
しかし、最近の研究では、FLはまだプライバシー保護を欠いており、データ漏洩を引き起こす可能性があります。
この課題を,サーバとクライアント間の部分モデルのみを共有する \textbf{p}artial networks (flop) を用いた,単純かつ効果的なアルゴリズムである \textbf{f}ederated \textbf{l}earning \textbf{o}n medical datasetを提案することで検討する。
ベンチマークデータと現実世界の医療タスクに関する広範な実験から,プライバシとセキュリティのリスクを低減しつつ,同等あるいは優れたパフォーマンスを実現しています。
特に、COVID-19データセットで実験を行い、我々のFLOPアルゴリズムによって、地元の患者のデータを共有せずに、異なる病院が協力的かつ効果的に、部分的に共有されたモデルをトレーニングできることに気付きました。
関連論文リスト
- FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。
機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。
本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
論文 参考訳（メタデータ） (2024-10-28T02:24:01Z) - Decentralized Distributed Learning with Privacy-Preserving Data
Synthesis [9.276097219140073]
医療分野では、患者と臨床データの均一性を生かして、多施設共同研究がより一般化可能な発見をもたらすことがしばしばある。
最近のプライバシー規制は、データの共有を妨げ、その結果、診断と予後をサポートする機械学習ベースのソリューションを考案する。
ローカルノードの機能を統合する分散分散手法を提案し、プライバシを維持しながら複数のデータセットをまたいで一般化可能なモデルを提供する。
論文 参考訳（メタデータ） (2022-06-20T23:49:38Z) - When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning
Framework in Classification of Medical Images on Limited Data: A COVID-19
Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。
CNNは医療画像の解析に広く利用され、検証されている。
論文 参考訳（メタデータ） (2022-03-24T02:09:41Z) - Federated Cycling (FedCy): Semi-supervised Federated Learning of
Surgical Phases [57.90226879210227]
FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。
外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
論文 参考訳（メタデータ） (2022-03-14T17:44:53Z) - 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) - The pitfalls of using open data to develop deep learning solutions for
COVID-19 detection in chest X-rays [64.02097860085202]
深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。
オープンソースデータのトレーニングやテストでは,結果は異例です。
データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
論文 参考訳（メタデータ） (2021-09-14T10:59:11Z) - FedDPGAN: Federated Differentially Private Generative Adversarial
Networks Framework for the Detection of COVID-19 Pneumonia [11.835113185061147]
新型コロナウイルス肺炎の検出を目的としたFederatedDifferentially Private Generative Adversarial Network(FedDPGAN)を提案する。
提案モデルの評価は、3種類の胸部X線(CXR)画像データセット(COVID-19, 正常, 正常肺炎)に基づく。
論文 参考訳（メタデータ） (2021-04-26T13:52:12Z) - Blockchain-Federated-Learning and Deep Learning Models for COVID-19
detection using CT Imaging [8.280858576611587]
新型コロナウイルスの患者を診断する主な問題は、検査キットの不足と信頼性である。
第2の現実の問題は、世界中の病院間でデータを共有することだ。
第3に,ブロックチェーン技術を用いてグローバルモデルを協調的にトレーニングする手法を設計する。
論文 参考訳（メタデータ） (2020-07-10T11:23:14Z) - Experiments of Federated Learning for COVID-19 Chest X-ray Images [14.347569140079342]
コンピュータビジョンとディープラーニング技術は、Chest X-ray Imagesで新型コロナウイルスの感染を判定するのに役立つ。
患者のプライバシの保護と尊重のため、病院の特定の医療関連データは、許可なく漏洩や共有を許さなかった。
我々は、新型コロナウイルスデータトレーニングにフェデレートラーニング(フェデレートラーニング)を用いることを提案し、その有効性を検証するために実験を展開した。
論文 参考訳（メタデータ） (2020-07-05T08:25:37Z)
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。