論文の概要: FedHealth 2: Weighted Federated Transfer Learning via Batch Normalization for Personalized Healthcare

• arxiv url: http://arxiv.org/abs/2106.01009v1
• Date: Wed, 2 Jun 2021 08:10:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-04 05:10:42.099034
• Title: FedHealth 2: Weighted Federated Transfer Learning via Batch Normalization for Personalized Healthcare
• Title（参考訳）: fedhealth 2: 個別医療のためのバッチ正規化による重み付きフェデレーション転送学習
• Authors: Yiqiang Chen, Wang Lu, Jindong Wang, Xin Qin
• Abstract要約: FedHealth 2はFedHealthの拡張で、ドメインシフトに対処し、ローカルクライアント向けにパーソナライズされたモデルを取得する。 プライバシーとセキュリティを損なうことなく、より正確な精度(アクティビティ認識の10%以上の改善)とパーソナライズされたヘルスケアを実現することができる。
• 参考スコア（独自算出の注目度）: 10.350441801743855
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The success of machine learning applications often needs a large quantity of data. Recently, federated learning (FL) is attracting increasing attention due to the demand for data privacy and security, especially in the medical field. However, the performance of existing FL approaches often deteriorates when there exist domain shifts among clients, and few previous works focus on personalization in healthcare. In this article, we propose FedHealth 2, an extension of FedHealth \cite{chen2020fedhealth} to tackle domain shifts and get personalized models for local clients. FedHealth 2 obtains the client similarities via a pretrained model, and then it averages all weighted models with preserving local batch normalization. Wearable activity recognition and COVID-19 auxiliary diagnosis experiments have evaluated that FedHealth 2 can achieve better accuracy (10%+ improvement for activity recognition) and personalized healthcare without compromising privacy and security.
• Abstract（参考訳）: 機械学習アプリケーションの成功は、しばしば大量のデータを必要とする。 近年,特に医療分野において,データプライバシやセキュリティの需要により,フェデレートラーニング(FL)が注目されている。 しかし、クライアント間でドメインシフトが存在する場合、既存のFLアプローチのパフォーマンスは低下することが多く、以前の研究ではヘルスケアのパーソナライズに重点を置いていた。 本稿では、FedHealth \cite{chen2020fedhealth}の拡張であるFedHealth 2を提案し、ドメインシフトに対処し、ローカルクライアント向けにパーソナライズされたモデルを取得する。 fedhealth 2は、事前トレーニングされたモデルを介してクライアントの類似性を取得し、局所的なバッチ正規化を保ちながら、すべての重み付きモデルの平均化を行う。 ウェアラブルな活動認識とCOVID-19補助診断実験は、プライバシとセキュリティを損なうことなく、FedHealth 2がより良い精度(アクティビティ認識の10%以上の改善)とパーソナライズされた医療を実現することを評価している。

関連論文リスト

• Which Client is Reliable?: A Reliable and Personalized Prompt-based Federated Learning for Medical Image Question Answering [51.26412822853409]
  本稿では,医学的視覚的質問応答(VQA)モデルのための,パーソナライズド・フェデレーションド・ラーニング(pFL)手法を提案する。 提案手法では,学習可能なプロンプトをTransformerアーキテクチャに導入し,膨大な計算コストを伴わずに,多様な医療データセット上で効率的にトレーニングする。
  論文  参考訳（メタデータ） (2024-10-23T00:31:17Z)
• FEDMEKI: A Benchmark for Scaling Medical Foundation Models via Federated Knowledge Injection [83.54960238236548]
  FEDMEKIはデータのプライバシーを守るだけでなく、医療基盤モデルの能力を高める。 FEDMEKIは、医療ファンデーションモデルに対して、直接データを公開することなく、幅広い医療知識から学ぶことを可能にする。
  論文  参考訳（メタデータ） (2024-08-17T15:18:56Z)
• Blockchain-empowered Federated Learning for Healthcare Metaverses: User-centric Incentive Mechanism with Optimal Data Freshness [66.3982155172418]
  まず、医療メタバースのための分散型フェデレートラーニング(FL)に基づく、ユーザ中心のプライバシ保護フレームワークを設計する。 次に,情報時代(AoI)を有効データ更新度指標として利用し,観測理論(PT)に基づくAoIベースの契約理論モデルを提案し,センシングデータ共有の動機付けを行う。
  論文  参考訳（メタデータ） (2023-07-29T12:54:03Z)
• Client-Level Differential Privacy via Adaptive Intermediary in Federated Medical Imaging [33.494287036763716]
  プライバシ保護とパフォーマンスの差分プライバシ(DP)のトレードオフは、現実の医療シナリオではいまだ検討されていない。 本稿では,コミュニケーションにおけるプライバシを重視したクライアントレベルのDPのコンテキスト下でのトレードオフを最適化することを提案する。 プライバシを損なうことなくパフォーマンスを向上させるための適応型仲介手法を提案する。
  論文  参考訳（メタデータ） (2023-07-24T06:12:37Z)
• Audit to Forget: A Unified Method to Revoke Patients' Private Data in Intelligent Healthcare [14.22413100609926]
  我々は,事前学習した深層学習モデルから患者の個人データを評価・取り消しできるAFSを開発した。 異なるデータセット上の4つのタスクに適用することで、AFSの汎用性を実証した。
  論文  参考訳（メタデータ） (2023-02-20T07:29:22Z)
• Private, fair and accurate: Training large-scale, privacy-preserving AI models in medical imaging [47.99192239793597]
  我々は,AIモデルのプライバシ保護トレーニングが,非プライベートトレーニングと比較して精度と公平性に与える影響を評価した。 我々の研究は、実際の臨床データセットの困難な現実的な状況下では、診断深層学習モデルのプライバシー保護トレーニングは、優れた診断精度と公正さで可能であることを示しています。
  論文  参考訳（メタデータ） (2023-02-03T09:49:13Z)
• 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 Learning with Adaptive Batchnorm for Personalized Healthcare [47.52430258876696]
  ドメインシフトに対処し、ローカルクライアント向けにパーソナライズされたモデルを得るためにAdaFedを提案する。 AdaFedはバッチ正規化レイヤの統計を通じて、クライアント間の類似性を学ぶ。 5つの医療ベンチマークの実験では、AdaFedは最先端の方法よりも精度が高いことが示されている。
  論文  参考訳（メタデータ） (2021-12-01T11:36:56Z)
• Personalized Federated Learning with Clustering: Non-IID Heart Rate Variability Data Application [0.1465840097113565]
  本稿では,階層的クラスタリングに基づくFLプロセスであるPersonalized Federated Cluster Modelsを提案し,心拍変動からうつ病の重症度を予測する。 クライアントがよりパーソナライズされたモデルを受けられるようにすることで、非IIDデータによる問題に対処し、重大度予測の精度が向上することを示す。
  論文  参考訳（メタデータ） (2021-08-04T08:24:23Z)
• Anonymizing Data for Privacy-Preserving Federated Learning [3.3673553810697827]
  我々は,フェデレートラーニングの文脈において,プライバシを提供するための最初の構文的アプローチを提案する。 当社のアプローチは,プライバシの保護レベルをサポートしながら,実用性やモデルの性能を最大化することを目的としている。 医療領域における2つの重要な課題について,100万人の患者の実世界電子健康データを用いて包括的実証評価を行った。
  論文  参考訳（メタデータ） (2020-02-21T02:30:16Z)

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。