論文の概要: Memory-aware curriculum federated learning for breast cancer classification

• arxiv url: http://arxiv.org/abs/2107.02504v1
• Date: Tue, 6 Jul 2021 09:50:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-07 13:46:37.207038
• Title: Memory-aware curriculum federated learning for breast cancer classification
• Title（参考訳）: 乳がん分類のためのメモリアウェアカリキュラム連合学習
• Authors: Amelia Jim\'enez-S\'anchez, Mickael Tardy, Miguel A. Gonz\'alez Ballester, Diana Mateus, Gemma Piella
• Abstract要約: 早期乳癌検診では, 定期検診が推奨される。 このような階級不均衡に対する潜在的な解決策は、複数の機関で力を合わせている。 近年,協調学習のための効果的なツールとして,連合学習が登場している。
• 参考スコア（独自算出の注目度）: 2.244916866651468
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For early breast cancer detection, regular screening with mammography imaging is recommended. Routinary examinations result in datasets with a predominant amount of negative samples. A potential solution to such class-imbalance is joining forces across multiple institutions. Developing a collaborative computer-aided diagnosis system is challenging in different ways. Patient privacy and regulations need to be carefully respected. Data across institutions may be acquired from different devices or imaging protocols, leading to heterogeneous non-IID data. Also, for learning-based methods, new optimization strategies working on distributed data are required. Recently, federated learning has emerged as an effective tool for collaborative learning. In this setting, local models perform computation on their private data to update the global model. The order and the frequency of local updates influence the final global model. Hence, the order in which samples are locally presented to the optimizers plays an important role. In this work, we define a memory-aware curriculum learning method for the federated setting. Our curriculum controls the order of the training samples paying special attention to those that are forgotten after the deployment of the global model. Our approach is combined with unsupervised domain adaptation to deal with domain shift while preserving data privacy. We evaluate our method with three clinical datasets from different vendors. Our results verify the effectiveness of federated adversarial learning for the multi-site breast cancer classification. Moreover, we show that our proposed memory-aware curriculum method is beneficial to further improve classification performance. Our code is publicly available at: https://github.com/ameliajimenez/curriculum-federated-learning.
• Abstract（参考訳）: 乳がん早期発見には,マンモグラフィ画像を用いた定期検診が推奨される。 定期的な検査の結果、大量の負のサンプルを持つデータセットが生成される。 このような階級不均衡に対する潜在的な解決策は、複数の機関で力を合わせている。 協調型コンピュータ支援診断システムの開発は, 様々な方法で困難である。 患者のプライバシーと規制は慎重に尊重する必要がある。 機関間のデータは異なるデバイスやイメージングプロトコルから取得され、不均一な非IIDデータにつながる。 また、学習に基づく手法では、分散データを扱う新しい最適化戦略が必要である。 近年,協調学習の効果的なツールとして連合学習が登場している。 この設定では、ローカルモデルはプライベートデータ上で計算を行い、グローバルモデルを更新する。 局所更新の順序と頻度は最終グローバルモデルに影響を及ぼす。 したがって、サンプルが局所的にオプティマイザに提示される順序は重要な役割を果たす。 本研究では,フェデレーション設定のためのメモリ認識型カリキュラム学習手法を定義する。 本カリキュラムは,グローバルモデル導入後に忘れられたものに対して,特に注意を払う訓練サンプルの順序を制御している。 当社のアプローチは,教師なしのドメイン適応と組み合わせて,データのプライバシを維持しながらドメインシフトに対処する。 本手法は, 異なるベンダーの3つの臨床データセットを用いて評価する。 以上の結果から,複数部位乳癌分類におけるfederated adversarial learningの有効性を確認した。 さらに,本提案手法は,分類性能の向上に有効であることを示す。 私たちのコードは、https://github.com/ameliajimenez/curriculum-federated-learningで公開されています。

関連論文リスト

• EPIC: Enhancing Privacy through Iterative Collaboration [4.199844472131922]
  従来の機械学習技術は、中央集権的なデータ収集と処理を必要とする。 医療データを集中ストレージにプールする場合、プライバシ、オーナシップ、厳格な規制の問題が存在する。 フェデレートラーニング(FL)アプローチは、中央アグリゲータサーバと共有グローバルモデルを設定することで、そのような問題を克服する。
  論文  参考訳（メタデータ） (2024-11-07T20:10:34Z)
• CL3: A Collaborative Learning Framework for the Medical Data Ensuring Data Privacy in the Hyperconnected Environment [1.223961905359498]
  ハイパーコネクテッドな環境では、医療機関は機密性の高い患者情報を共有・送信する際にデータプライバシに関心を持つ。 トランスファー、フェデレーション、インクリメンタルラーニングを含む協調学習フレームワークは、効率的でセキュアでスケーラブルなモデルを生成することができる。 本研究の目的は、CL3と呼ばれる協調学習フレームワークを用いて、胸部X線画像を用いたCOVID-19の検出に対処することである。
  論文  参考訳（メタデータ） (2024-10-10T13:29:12Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• FedILC: Weighted Geometric Mean and Invariant Gradient Covariance for Federated Learning on Non-IID Data [69.0785021613868]
  フェデレートラーニング(Federated Learning)とは、ローカルに計算されたパラメータの更新を、空間的に分散されたクライアントサイロからトレーニングデータに集約することで、共有サーバモデルによる学習を可能にする分散機械学習アプローチである。 本研究では, 勾配の共分散とヘッセンの幾何学的平均を利用して, シロ間およびシロ内成分の両方を捕捉するフェデレート不変学習一貫性(FedILC)アプローチを提案する。 これは医療、コンピュータビジョン、IoT(Internet of Things)といった様々な分野に関係している。
  論文  参考訳（メタデータ） (2022-05-19T03:32:03Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Federated Cycling (FedCy): Semi-supervised Federated Learning of Surgical Phases [57.90226879210227]
  FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。 外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
  論文  参考訳（メタデータ） (2022-03-14T17:44:53Z)
• BERT WEAVER: Using WEight AVERaging to enable lifelong learning for transformer-based models in biomedical semantic search engines [49.75878234192369]
  We present WEAVER, a simple, yet efficient post-processing method that infuse old knowledge into the new model。 WEAVERを逐次的に適用すると、同じ単語の埋め込み分布が、一度にすべてのデータに対する総合的なトレーニングとして得られることを示す。
  論文  参考訳（メタデータ） (2022-02-21T10:34:41Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• 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。