論文の概要: Federated Learning with Adaptive Batchnorm for Personalized Healthcare

• arxiv url: http://arxiv.org/abs/2112.00734v1
• Date: Wed, 1 Dec 2021 11:36:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-04 13:25:50.805613
• Title: Federated Learning with Adaptive Batchnorm for Personalized Healthcare
• Title（参考訳）: 適応型バッチノルムによる連合学習によるパーソナライズ医療
• Authors: Yiqiang Chen, Wang Lu, Jindong Wang, Xin Qin, Tao Qin
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 47.52430258876696
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: There is a growing interest in applying machine learning techniques for healthcare. Recently, federated machine learning (FL) is gaining popularity since it allows researchers to train powerful models without compromising data privacy and security. However, the performance of existing FL approaches often deteriorates when encountering non-iid situations where there exist distribution gaps among clients, and few previous efforts focus on personalization in healthcare. In this article, we propose AdaFed to tackle domain shifts and obtain personalized models for local clients. AdaFed learns the similarity between clients via the statistics of the batch normalization layers while preserving the specificity of each client with different local batch normalization. Comprehensive experiments on five healthcare benchmarks demonstrate that AdaFed achieves better accuracy compared to state-of-the-art methods (e.g., \textbf{10}\%+ accuracy improvement for PAMAP2) with faster convergence speed.
• Abstract（参考訳）: 医療に機械学習技術を適用することへの関心が高まっている。 近年,データプライバシやセキュリティを損なうことなく,強力なモデルをトレーニングすることが可能な統合機械学習(FL)が普及している。 しかし、既存のflアプローチの性能は、クライアント間の分配ギャップがある非iid状況に遭遇した場合に低下することが多く、医療におけるパーソナライゼーションに焦点を当てた以前の取り組みはほとんどない。 本稿では、ドメインシフトに取り組み、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adafedを提案する。 AdaFedは、各クライアントの特異性を異なるローカルバッチ正規化で保存しながら、バッチ正規化層の統計を通し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に関する総合的な実験は、AdaFedがより高速な収束速度で最先端の手法(例えば、PAMAP2)よりも精度が高いことを実証している。

関連論文リスト

• TPFL: Tsetlin-Personalized Federated Learning with Confidence-Based Clustering [0.0]
  本稿では,Tsetlin-Personalized Federated Learningと呼ばれる新しい手法を提案する。 このように、モデルは特定のクラスに対する信頼性に基づいてクラスタにグループ化される。 クライアントは信頼しているものだけを共有し、結果として誤った重み付けが排除される。 その結果、TPFLはMNISTで98.94%、FashionMNISTで98.52%、FEMNISTデータセットで91.16%の精度でベースライン法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-09-16T15:27:35Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• FedJETs: Efficient Just-In-Time Personalization with Federated Mixture of Experts [48.78037006856208]
  FedJETsは、Federated Learning(FL)セットアップ内でMixture-of-Experts(MoE)フレームワークを使用することで、新しいソリューションである。 我々の方法は、クライアントの多様性を活用して、クラスのサブセットの異なる専門家を訓練し、最も関係のある専門家に入力をルーティングするゲーティング機能を提供します。 我々の手法は、競争力のあるゼロショット性能を維持しながら、アートFL設定時の精度を最大18%向上させることができる。
  論文  参考訳（メタデータ） (2023-06-14T15:47:52Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• FedPDC:Federated Learning for Public Dataset Correction [1.5533842336139065]
  フェデレート学習は、非IIDシナリオにおける従来の機械学習よりも分類精度が低い。 局所モデルのアグリゲーションモードと局所学習の損失関数を最適化するために,新しいアルゴリズムであるFedPDCを提案する。 多くのベンチマーク実験において、FedPDCは極めて不均衡なデータ分布の場合、グローバルモデルの精度を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2023-02-24T08:09:23Z)
• Acceleration of Federated Learning with Alleviated Forgetting in Local Training [61.231021417674235]
  フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。 我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。 我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
  論文  参考訳（メタデータ） (2022-03-05T02:31:32Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• FedHealth 2: Weighted Federated Transfer Learning via Batch Normalization for Personalized Healthcare [10.350441801743855]
  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。
  論文  参考訳（メタデータ） (2021-06-02T08:10:50Z)
• Unifying Distillation with Personalization in Federated Learning [1.8262547855491458]
  Federated Learning(FL)は、クライアントがデータを共有せずに中央アグリゲータを通じて共同作業モデルを学習する分散プライバシ保護学習技術である。 この設定では、すべてのクライアントが単一の共通予測器(FedAvg)を学習する。 本稿では,2段階のパーソナライズされた学習アルゴリズムPersFLを用いてこの問題に対処する。 第1段階では、PersFLはFLトレーニングフェーズにおいて各クライアントの最適な教師モデルを見つけ、第2段階では、PersFLは有用な知識を抽出する。
  論文  参考訳（メタデータ） (2021-05-31T17:54:29Z)
• PFA: Privacy-preserving Federated Adaptation for Effective Model Personalization [6.66389628571674]
  フェデレートラーニング(FL)は、プライバシを改善した分散機械学習パラダイムとして普及している。 本稿では,より優れたパーソナライズ結果を得るために,訓練されたモデルをフェデレーション方式で適応させることを目的とした,フェデレーション適応と呼ばれる新しい概念を提案する。 PFA(Privacy-preserving Federated Adaptation)を実現するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-02T08:07:34Z)

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。