論文の概要: Handling Data Heterogeneity with Generative Replay in Collaborative
Learning for Medical Imaging
- arxiv url: http://arxiv.org/abs/2106.13208v1
- Date: Thu, 24 Jun 2021 17:39:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-25 15:04:41.633723
- Title: Handling Data Heterogeneity with Generative Replay in Collaborative
Learning for Medical Imaging
- Title（参考訳）: 医用画像の協調学習におけるデータ不均一性と生成的再生
- Authors: Liangqiong Qu, Niranjan Balachandar, Miao Zhang, Daniel Rubin
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 21.53220262343254
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Collaborative learning, which enables collaborative and decentralized
training of deep neural networks at multiple institutions in a
privacy-preserving manner, is rapidly emerging as a valuable technique in
healthcare applications. However, its distributed nature often leads to
significant heterogeneity in data distributions across institutions. Existing
collaborative learning approaches generally do not account for the presence of
heterogeneity in data among institutions, or only mildly skewed label
distributions are studied. In this paper, we present a novel generative replay
strategy to address the challenge of data heterogeneity in collaborative
learning methods. Instead of directly training a model for task performance, we
leverage recent image synthesis techniques to develop a novel dual model
architecture: a primary model learns the desired task, and an auxiliary
"generative replay model" either synthesizes images that closely resemble the
input images or helps extract latent variables. The generative replay strategy
is flexible to use, can either be incorporated into existing collaborative
learning methods to improve their capability of handling data heterogeneity
across institutions, or be used as a novel and individual collaborative
learning framework (termed FedReplay) to reduce communication cost.
Experimental results demonstrate the capability of the proposed method in
handling heterogeneous data across institutions. On highly heterogeneous data
partitions, our model achieves ~4.88% improvement in the prediction accuracy on
a diabetic retinopathy classification dataset, and ~49.8% reduction of mean
absolution value on a Bone Age prediction dataset, respectively, compared to
the state-of-the art collaborative learning methods.
- Abstract（参考訳）: 複数の機関で、プライバシー保護の方法でディープニューラルネットワークの協調的かつ分散的なトレーニングを可能にするコラボレーション学習は、医療アプリケーションにとって価値のあるテクニックとして急速に発展しつつある。
しかし、その分散性は、しばしば組織間のデータ分散の著しい不均一性をもたらす。
既存の協調学習アプローチでは、組織間のデータに不均一性が存在することや、わずかに歪んだラベル分布のみを研究することが一般的である。
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しい再生戦略を提案する。
タスク性能のモデルを直接訓練する代わりに、最近の画像合成技術を活用して新しいデュアルモデルアーキテクチャを開発する: プライマリモデルが目的のタスクを学習し、補助的な「生成再生モデル」が入力画像によく似た画像を生成するか、潜時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改善するか、あるいはコミュニケーションコストを削減するために、新しく個別の協調学習フレームワークとして使用される。
実験結果は,施設間で異種データを扱う際に提案手法が有効であることを示す。
高均一なデータ分割では,糖尿病網膜症分類データセットの予測精度が約4.88%向上し,骨年齢予測データセットの平均解像値が約49.8%減少した。
関連論文リスト
- Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - Federated Learning for Data and Model Heterogeneity in Medical Imaging [19.0931609571649]
Federated Learning(FL)は、複数のクライアントがデータを互いに中央サーバと共有することなく、協調学習に参加する、進化する機械学習手法である。
病院や産業などの現実世界のアプリケーションでは、FLはデータ不均一性とモデル不均一性の課題に対処する。
このような問題を解決するためにMDH-FL(Exploiting Model and Data Heterogeneity in FL)を提案する。
論文 参考訳（メタデータ） (2023-07-31T21:08:45Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳（メタデータ） (2023-01-14T15:07:43Z) - 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) - 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) - 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) - SplitAVG: A heterogeneity-aware federated deep learning method for
medical imaging [29.271291030933966]
フェデレートラーニング(Federated Learning)は、患者データを共有することなく、ディープラーニングモデルを協調的にトレーニングするための、新たな研究パラダイムである。
本研究では,フェデレーション学習におけるデータの不均一性から得られる性能低下を克服する,新しいヘテロジニアス対応フェデレーション学習手法であるSplitAVGを提案する。
本研究では,SplitAVGを7つの最先端のフェデレーション学習手法と比較する。
論文 参考訳（メタデータ） (2021-07-06T03:58:10Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Siloed Federated Learning for Multi-Centric Histopathology Datasets [0.17842332554022694]
本稿では,医学領域における深層学習アーキテクチャのための新しいフェデレーション学習手法を提案する。
局所統計バッチ正規化(BN)層が導入され、協調的に訓練されるが中心に固有のモデルが作られる。
本研究では,Camelyon16およびCamelyon17データセットから抽出した腫瘍組織像の分類法についてベンチマークを行った。
論文 参考訳（メタデータ） (2020-08-17T15:49:30Z)
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。