論文の概要: Federated Multi-View Learning for Private Medical Data Integration and
Analysis
- arxiv url: http://arxiv.org/abs/2105.01603v1
- Date: Tue, 4 May 2021 16:23:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-05 13:05:31.240639
- Title: Federated Multi-View Learning for Private Medical Data Integration and
Analysis
- Title（参考訳）: 個人医療データ統合分析のためのフェデレーション多視点学習
- Authors: Sicong Che, Hao Peng, Lichao Sun, Yong Chen, Lifang He
- Abstract要約: 本稿では,多視点データ漏洩防止のための汎用連合型多視点学習(fedmv)フレームワークを提案する。
ローカルデータの可用性の異なるタイプに基づいており、垂直フェデレーション・マルチビュー・ラーニング(V-FedMV)と水平フェデレーション・マルチビュー・ラーニング(H-FedMV)の2種類の問題に対応できます。
- 参考スコア（独自算出の注目度）: 26.32302297612417
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Along with the rapid expansion of information technology and digitalization
of health data, there is an increasing concern on maintaining data privacy
while garnering the benefits in medical field. Two critical challenges are
identified: Firstly, medical data is naturally distributed across multiple
local sites, making it difficult to collectively train machine learning models
without data leakage. Secondly, in medical applications, data are often
collected from different sources and views, resulting in heterogeneity and
complexity that requires reconciliation. This paper aims to provide a generic
Federated Multi-View Learning (FedMV) framework for multi-view data leakage
prevention, which is based on different types of local data availability and
enables to accommodate two types of problems: Vertical Federated Multi-View
Learning (V-FedMV) and Horizontal Federated Multi-View Learning (H-FedMV). We
experimented with real-world keyboard data collected from BiAffect study. The
results demonstrated that the proposed FedMV approach can make full use of
multi-view data in a privacy-preserving way, and both V-FedMV and H-FedMV
methods perform better than their single-view and pairwise counterparts.
Besides, the proposed model can be easily adapted to deal with multi-view
sequential data in a federated environment, which has been modeled and
experimentally studied. To the best of our knowledge, this framework is the
first to consider both vertical and horizontal diversification in the
multi-view setting, as well as their sequential federated learning.
- Abstract（参考訳）: 情報技術の急速な拡大と健康データのデジタル化とともに、医療分野の利益を育成しながらデータのプライバシーを維持することへの懸念が高まっている。
まず、医療データは複数のローカルサイトに自然に分散されているため、データ漏洩なしに機械学習モデルを集合的に訓練することは困難である。
第2に、医学的応用において、データは異なるソースやビューから収集されることが多く、不均一性や複雑化が生じ、和解が要求される。
本稿では,多視点データ漏洩防止のための汎用的フェデレーション・マルチビュー・ラーニング(fedmv)フレームワークを提供することを目的として,異なる種類のローカルデータ可用性に基づいて,垂直フェデレーション・マルチビュー・ラーニング(v-fedmv)と水平フェデレーション・マルチビュー・ラーニング(h-fedmv)の2つの問題に対応する。
BiAffect研究から収集した実世界のキーボードデータを用いて実験を行った。
その結果, 提案手法は, プライバシ保護方式でマルチビューデータの完全活用が可能であり, V-FedMV法とH-FedMV法は両手法とも, シングルビュー法とペアビュー法より優れていることがわかった。
さらに,提案手法は,フェデレーション環境でのマルチビューシーケンシャルデータに容易に適応することができる。
我々の知る限り、このフレームワークは、多視点設定における垂直および水平の多様化と、それらの逐次的フェデレーション学習の両方を考慮する最初のものである。
関連論文リスト
- ViKL: A Mammography Interpretation Framework via Multimodal Aggregation of Visual-knowledge-linguistic Features [54.37042005469384]
MVKLは,マルチビュー画像,詳細な表示,報告を含む最初のマルチモーダルマンモグラフィーデータセットである。
このデータセットに基づいて、教師なし事前学習のチャラリングタスクに焦点を当てる。
視覚,知識,言語機能を相乗化するフレームワークであるViKLを提案する。
論文 参考訳（メタデータ） (2024-09-24T05:01:23Z) - Multi-OCT-SelfNet: Integrating Self-Supervised Learning with Multi-Source Data Fusion for Enhanced Multi-Class Retinal Disease Classification [2.5091334993691206]
網膜疾患診断のための堅牢なディープラーニングモデルの開発には、トレーニングのためのかなりのデータセットが必要である。
より小さなデータセットで効果的に一般化する能力は、依然として永続的な課題である。
さまざまなデータソースを組み合わせて、パフォーマンスを改善し、新しいデータに一般化しています。
論文 参考訳（メタデータ） (2024-09-17T17:22:35Z) - FedMM: Federated Multi-Modal Learning with Modality Heterogeneity in
Computational Pathology [3.802258033231335]
Federated Multi-Modal (FedMM) は、複数の単一モード特徴抽出器を訓練し、その後の分類性能を向上させる学習フレームワークである。
FedMMは、精度とAUCメトリクスの2つのベースラインを特に上回っている。
論文 参考訳（メタデータ） (2024-02-24T16:58:42Z) - Multi-view Fuzzy Representation Learning with Rules based Model [25.997490574254172]
教師なしマルチビュー表現学習は、マルチビューデータをマイニングするために広く研究されている。
本稿では,MVRL_FSを用いた多視点ファジィ表現学習手法を提案する。
論文 参考訳（メタデータ） (2023-09-20T17:13:15Z) - Domain Generalization for Mammographic Image Analysis with Contrastive
Learning [62.25104935889111]
効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。
より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。
提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
論文 参考訳（メタデータ） (2023-04-20T11:40:21Z) - 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) - Variational Distillation for Multi-View Learning [104.17551354374821]
我々は,多視点表現学習における2つの重要な特徴を利用するために,様々な情報ボトルネックを設計する。
厳密な理論的保証の下で,本手法は,観察とセマンティックラベルの内在的相関の把握を可能にする。
論文 参考訳（メタデータ） (2022-06-20T03:09:46Z) - 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) - TSK Fuzzy System Towards Few Labeled Incomplete Multi-View Data
Classification [24.01191516774655]
これらの課題に対処するために,トランスダクティブ半教師付きマルチビューTSKファジィシステムモデリング法(SSIMV_TSK)を提案する。
提案手法は,未知のビュー計算,ラベルなしデータの擬似ラベル学習,ファジィシステムモデリングをひとつのプロセスに統合し,解釈可能なファジィルールを持つモデルを生成する。
実データを用いた実験の結果,提案手法は最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2021-10-08T11:41:06Z) - Multi-modal AsynDGAN: Learn From Distributed Medical Image Data without
Sharing Private Information [55.866673486753115]
プライバシーとセキュリティを守るために拡張可能で弾力性のある学習フレームワークを提案します。
提案するフレームワークは分散Asynchronized Discriminator Generative Adrial Networks (AsynDGAN) である。
論文 参考訳（メタデータ） (2020-12-15T20:41:24Z) - Generative Partial Multi-View Clustering [133.36721417531734]
本稿では,不完全なマルチビュー問題に対処するため,GP-MVCと呼ばれる生成的部分的マルチビュークラスタリングモデルを提案する。
まず、マルチビューエンコーダネットワークをトレーニングして、一般的な低次元表現を学習し、次にクラスタリング層を使用して複数のビューをまたいだ一貫したクラスタ構造をキャプチャする。
第2に、他のビューが与える共有表現に基づいて、1つのビュー条件の欠落データを生成するために、ビュー固有の生成敵ネットワークを開発する。
論文 参考訳（メタデータ） (2020-03-29T17:48:27Z)
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。