論文の概要: A Tree-based Federated Learning Approach for Personalized Treatment
Effect Estimation from Heterogeneous Data Sources
- arxiv url: http://arxiv.org/abs/2103.06261v1
- Date: Wed, 10 Mar 2021 18:51:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-11 15:00:28.680892
- Title: A Tree-based Federated Learning Approach for Personalized Treatment
Effect Estimation from Heterogeneous Data Sources
- Title(参考訳): ヘテロジニアスデータからのパーソナライズされた治療効果推定のためのツリーベースフェデレーション学習手法
- Authors: Xiaoqing Tan, Chung-Chou H. Chang, Lu Tang
- Abstract要約: フェデレーション学習は、分散ヘルスデータネットワークから機密データを分析するための魅力的なフレームワークである。
本研究は, 治療効果評価装置を効率よく, 解釈可能なツリーベースアンサンブルを開発した。
- 参考スコア(独自算出の注目度): 5.049057348282933
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated learning is an appealing framework for analyzing sensitive data
from distributed health data networks due to its protection of data privacy.
Under this framework, data partners at local sites collaboratively build an
analytical model under the orchestration of a coordinating site, while keeping
the data decentralized. However, existing federated learning methods mainly
assume data across sites are homogeneous samples of the global population,
hence failing to properly account for the extra variability across sites in
estimation and inference. Drawing on a multi-hospital electronic health records
network, we develop an efficient and interpretable tree-based ensemble of
personalized treatment effect estimators to join results across hospital sites,
while actively modeling for the heterogeneity in data sources through site
partitioning. The efficiency of our method is demonstrated by a study of causal
effects of oxygen saturation on hospital mortality and backed up by
comprehensive numerical results.
- Abstract(参考訳): フェデレーション学習は、データプライバシ保護のために分散ヘルスデータネットワークから機密データを分析するための魅力的なフレームワークである。
このフレームワークの下で、ローカルサイトのデータパートナーは、データの分散を保ちながら、コーディネートサイトのオーケストレーションの下で分析モデルを共同構築する。
しかし、既存のフェデレーション学習手法では、サイト間のデータは主に地球人口の均質なサンプルであると仮定しており、推定や推論においてサイト間の余分な変動を適切に説明できていない。
マルチホスピタル型電子健康記録ネットワーク上に描画し, サイト分割によるデータソースの不均一性を積極的にモデル化しながら, 医療現場全体での個人化治療効果推定装置の効率よく解釈可能なツリーベースアンサンブルを構築した。
本手法の効率性は, 酸素飽和が病院の死亡率に及ぼす影響を検討し, 総合的数値解析によって裏付けられた。
関連論文リスト
- Few-shot learning for COVID-19 Chest X-Ray Classification with
Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。
データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。
本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
論文 参考訳(メタデータ) (2024-01-18T16:59:27Z) - Active Learning Guided Federated Online Adaptation: Applications in
Medical Image Segmentation [17.91288898488217]
本稿では,医師のフィードバックをアクティブな学習を通じて取り入れた医療画像分割手法を提案する。
公開データセットを用いた実験の結果,提案手法は教師なしのオンライン適応法よりも優れていた。
論文 参考訳(メタデータ) (2023-12-08T23:43:17Z) - 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) - Federated Offline Reinforcement Learning [55.326673977320574]
マルチサイトマルコフ決定プロセスモデルを提案する。
我々は,オフラインRLを対象とした最初のフェデレーション最適化アルゴリズムを設計する。
提案アルゴリズムでは,学習ポリシーの準最適性は,データが分散していないような速度に匹敵する,理論的保証を与える。
論文 参考訳(メタデータ) (2022-06-11T18:03:26Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-06T13:10:37Z) - Federated Causal Inference in Heterogeneous Observational Data [13.460660554484512]
我々は、複数のサイトにおいて、各サイトごとにデータをローカルに保存している個人に対して、治療の効果を推定することに興味がある。
プライバシー上の制約により、個々のレベルのデータはサイト間で共有できない。
これらの考察により,総合データの平均処理効果を推定するフェデレーション手法を開発した。
論文 参考訳(メタデータ) (2021-07-25T05:55:00Z) - An Experimental Study of Data Heterogeneity in Federated Learning
Methods for Medical Imaging [8.984706828657814]
フェデレーション学習は、複数の機関が、プライバシー保護の方法で、ローカルデータ上で機械学習モデルを協調的にトレーニングすることを可能にする。
本研究では,データ不均一性の分類体系が,量スキュー,ラベル分布スキュー,画像取得スキューなどのフェデレーション学習方法に与える影響について検討した。
本稿では,データ量スキューの重み付き平均値,重み付き損失量,ラベル分布スキューのバッチ正規化平均値など,データの不均一性からの性能低下を克服するいくつかの緩和策を提案する。
論文 参考訳(メタデータ) (2021-07-18T05:47:48Z) - Handling Data Heterogeneity with Generative Replay in Collaborative
Learning for Medical Imaging [21.53220262343254]
本稿では,協調学習手法におけるデータ不均一性の課題に対処する新たな再生戦略を提案する。
一次モデルは所望のタスクを学習し、補助的な「生成再生モデル」は入力画像によく似た画像を合成するか、潜伏変数の抽出を支援する。
生成的再生戦略は柔軟であり、既存の協調学習手法に組み込んで、機関間のデータの均一性を扱う能力を向上させるか、あるいはコミュニケーションコストを削減するために、新しい個別の協調学習フレームワーク(FedReplayと称される)として使用される。
論文 参考訳(メタデータ) (2021-06-24T17:39:55Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z) - FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
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。
論文 参考訳(メタデータ) (2021-02-10T01:56:58Z) - Predictive Modeling of ICU Healthcare-Associated Infections from
Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling
Approach [55.41644538483948]
本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。
感染発生率の低減に向けた意思決定を支援することを目的とする。
論文 参考訳(メタデータ) (2020-05-07T16:13:12Z)
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。