論文の概要: Auto-FedAvg: Learnable Federated Averaging for Multi-Institutional
Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2104.10195v1
- Date: Tue, 20 Apr 2021 18:29:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-22 14:18:35.958483
- Title: Auto-FedAvg: Learnable Federated Averaging for Multi-Institutional
Medical Image Segmentation
- Title(参考訳): Auto-FedAvg:多施設画像分割のための学習可能なフェデレーション
- Authors: Yingda Xia, Dong Yang, Wenqi Li, Andriy Myronenko, Daguang Xu,
Hirofumi Obinata, Hitoshi Mori, Peng An, Stephanie Harmon, Evrim Turkbey,
Baris Turkbey, Bradford Wood, Francesca Patella, Elvira Stellato, Gianpaolo
Carrafiello, Anna Ierardi, Alan Yuille, Holger Roth
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 7.009650174262515
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Federated learning (FL) enables collaborative model training while preserving
each participant's privacy, which is particularly beneficial to the medical
field. FedAvg is a standard algorithm that uses fixed weights, often
originating from the dataset sizes at each client, to aggregate the distributed
learned models on a server during the FL process. However, non-identical data
distribution across clients, known as the non-i.i.d problem in FL, could make
this assumption for setting fixed aggregation weights sub-optimal. In this
work, we design a new data-driven approach, namely Auto-FedAvg, where
aggregation weights are dynamically adjusted, depending on data distributions
across data silos and the current training progress of the models. We
disentangle the parameter set into two parts, local model parameters and global
aggregation parameters, and update them iteratively with a
communication-efficient algorithm. We first show the validity of our approach
by outperforming state-of-the-art FL methods for image recognition on a
heterogeneous data split of CIFAR-10. Furthermore, we demonstrate our
algorithm's effectiveness on two multi-institutional medical image analysis
tasks, i.e., COVID-19 lesion segmentation in chest CT and pancreas segmentation
in abdominal CT.
- Abstract(参考訳): 連合学習(英語: federated learning, ffl)は、各参加者のプライバシーを保ちながら、協調的なモデルトレーニングを可能にする。
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。
しかし、FLの非i.d問題として知られるクライアント間での非同一データ分布は、固定集約重みを準最適に設定する前提となる。
本研究では,データサイロ間のデータ分布やモデルの現在のトレーニング進捗に応じて,アグリゲーションの重み付けを動的に調整する,Auto-FedAvgという新しいデータ駆動型アプローチを設計する。
パラメータを局所モデルパラメータとグローバルアグリゲーションパラメータの2つの部分に分割し,通信効率のよいアルゴリズムで反復的に更新する。
まず,cifar-10の異種データ分割による画像認識における最先端fl法の有効性を示す。
さらに,胸部CTのCOVID-19病変分画と腹部CTの膵臓分画という2つの多施設医療画像解析課題に対して,本アルゴリズムの有効性を実証した。
関連論文リスト
- Towards Instance-adaptive Inference for Federated Learning [80.38701896056828]
Federated Learning(FL)は、複数のクライアントがローカルトレーニングを集約することで、強力なグローバルモデルを学ぶことができる分散学習パラダイムである。
本稿では,FedInsという新しいFLアルゴリズムを提案する。
我々のFedInsは、Tiny-ImageNet上での通信コストが15%未満で、トップパフォーマンスの手法に対して6.64%の改善など、最先端のFLアルゴリズムよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-08-11T09:58:47Z) - Federated Model Aggregation via Self-Supervised Priors for Highly
Imbalanced Medical Image Classification [31.633870207003092]
本稿では,公用自己監督型補助ネットワークを用いたクライアント間クラス間変動について検討する。
我々は,グローバルモデル最適化を導くために,自己教師付き事前制御による動的バランスの取れたモデルアグリゲーションを導出する。
論文 参考訳(メタデータ) (2023-07-27T15:52:18Z) - Learnable Weight Initialization for Volumetric Medical Image
Segmentation [54.1807206010136]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2023-06-15T17:55:05Z) - Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。
我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。
得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
論文 参考訳(メタデータ) (2022-11-16T21:55:05Z) - Personalizing Federated Medical Image Segmentation via Local Calibration [9.171482226385551]
ひとつのモデルを使って、異なるサイトからさまざまなデータ分布に適応することは、非常に難しい。
現場間一貫性を活用するために,textbfLocal textbfCalibration (LC-Fed) を用いたパーソナライズドフェデレーションフレームワークを提案する。
提案手法は,最先端のパーソナライズされたFL法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2022-07-11T06:30:31Z) - Adapting the Mean Teacher for keypoint-based lung registration under
geometric domain shifts [75.51482952586773]
ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。
本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。
本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
論文 参考訳(メタデータ) (2022-07-01T12:16:42Z) - ST-FL: Style Transfer Preprocessing in Federated Learning for COVID-19
Segmentation [1.6799377888527687]
新型コロナウイルスのイメージセグメンテーションのための,ST-FL(Style Transfer Federated Learning)と呼ばれるGAN拡張型フェデレーション学習モデルを提案する。
FLクライアントノード上での広範囲なデータ品質の変化は、COVID-19胸部CT画像のセグメンテーションにおいて、サブ最適化されたFLモデルに繋がることを示す。
論文 参考訳(メタデータ) (2022-03-25T14:33:02Z) - Auto-FedRL: Federated Hyperparameter Optimization for
Multi-institutional Medical Image Segmentation [48.821062916381685]
Federated Learning(FL)は、明示的なデータ共有を避けながら協調的なモデルトレーニングを可能にする分散機械学習技術である。
本稿では,Auto-FedRLと呼ばれる,効率的な強化学習(RL)に基づくフェデレーションハイパーパラメータ最適化アルゴリズムを提案する。
提案手法の有効性は,CIFAR-10データセットと2つの実世界の医用画像セグメンテーションデータセットの不均一なデータ分割に対して検証される。
論文 参考訳(メタデータ) (2022-03-12T04:11:42Z) - Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
異種データセットから学習した後続分布を融合する手法を提案する。
我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
論文 参考訳(メタデータ) (2020-07-13T03:27:45Z) - Multi-site fMRI Analysis Using Privacy-preserving Federated Learning and
Domain Adaptation: ABIDE Results [13.615292855384729]
高品質なディープラーニングモデルを訓練するには,大量の患者情報を集める必要がある。
患者データのプライバシを保護する必要があるため、複数の機関から中央データベースを組み立てることは困難である。
フェデレート・ラーニング(Federated Learning)は、エンティティのデータを集中化せずに、人口レベルのモデルをトレーニングすることを可能にする。
論文 参考訳(メタデータ) (2020-01-16T04:49:33Z)
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。