論文の概要: A Comprehensive Survey on Federated Learning: Concept and Applications
- arxiv url: http://arxiv.org/abs/2201.09384v1
- Date: Sun, 23 Jan 2022 22:33:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-25 15:47:42.502654
- Title: A Comprehensive Survey on Federated Learning: Concept and Applications
- Title（参考訳）: フェデレーション学習に関する包括的調査:概念と応用
- Authors: Dhurgham Hassan Mahlool, Mohammed Hamzah Abed
- Abstract要約: 本稿では、コンポーネント、課題、アプリケーション、FL環境に重点を置いて、フェデレートラーニング(FL)の総合的研究を行う。
医療システムでは、患者のプライバシと医療状態が重要なデータであるため、協調学習や連携学習が画像に現れる。
使用しているアプリケーションの1つは、協調環境で効率的に動作可能なAI手法に基づいた、脳腫瘍診断インテリジェントシステムである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This paper provides a comprehensive study of Federated Learning (FL) with an
emphasis on components, challenges, applications and FL environment. FL can be
applicable in multiple fields and domains in real-life models. in the medical
system, the privacy of patients records and their medical condition is critical
data, therefore collaborative learning or federated learning comes into the
picture. On other hand build an intelligent system assist the medical staff
without sharing the data lead into the FL concept and one of the applications
that are used is a brain tumor diagnosis intelligent system based on AI methods
that can efficiently work in a collaborative environment.this paper will
introduce some of the applications and related work in the medical field and
work under the FL concept then summarize them to introduce the main limitations
of their work.
- Abstract（参考訳）: 本稿では,コンポーネント,課題,アプリケーション,fl環境に着目した連合学習(fl)の包括的研究について述べる。
FLは実生活モデルにおける複数の分野や領域に適用できる。
医療システムでは、患者のプライバシとその医療状態が重要なデータであるため、協調学習や連合学習が画像に現れる。
一方、医療従事者がFLの概念に導かれるデータを共有せずに支援するインテリジェントシステムを構築し、その応用の1つは、協調的な環境で効率的に働くことができるAI手法に基づく脳腫瘍診断インテリジェントシステムである。
関連論文リスト
- Demystifying Large Language Models for Medicine: A Primer [50.83806796466396]
大規模言語モデル(LLM)は、医療のさまざまな側面に革命をもたらすことのできる、変革的なAIツールのクラスである。
本チュートリアルは、LSMを臨床実践に効果的に統合するために必要なツールを医療専門家に提供することを目的としている。
論文 参考訳（メタデータ） (2024-10-24T15:41:56Z) - FEDKIM: Adaptive Federated Knowledge Injection into Medical Foundation Models [54.09244105445476]
本研究は,フェデレート・ラーニング・フレームワーク内で医療基盤モデルを拡張するための新しい知識注入手法であるFedKIMを紹介する。
FedKIMは軽量なローカルモデルを活用して、プライベートデータから医療知識を抽出し、この知識を集中基盤モデルに統合する。
7つのモードで12タスクを対象に実験を行い,FedKIMの有効性について検討した。
論文 参考訳（メタデータ） (2024-08-17T15:42:29Z) - Federated Learning in Healthcare: Model Misconducts, Security, Challenges, Applications, and Future Research Directions -- A Systematic Review [2.710010611878837]
フェデレートラーニング(FL)は、複数の医療機関が共有することなく、分散データから共同で学ぶことを可能にする。
FLの医療分野は、疾患予測、治療のカスタマイズ、臨床試験研究などの分野をカバーしている。
FLの実装は、非IIDデータ環境におけるモデル収束、通信オーバーヘッド、複数機関の協調管理など、課題を提起する。
論文 参考訳（メタデータ） (2024-05-22T16:59:50Z) - Open Challenges and Opportunities in Federated Foundation Models Towards Biomedical Healthcare [14.399086205317358]
ファンデーションモデル(FM)は、教師なし事前訓練、自己教師付き学習、微調整の指導、人間のフィードバックからの強化学習など、膨大なデータセットで訓練される。
これらのモデルは、臨床報告、診断画像、マルチモーダル患者間相互作用などの多様なデータフォームの処理を必要とする生体医学的応用に不可欠である。
FLをこれらの洗練されたモデルに組み込むことは、機密性の高い医療データのプライバシーを守りながら、分析能力を活用するという有望な戦略を示す。
論文 参考訳（メタデータ） (2024-05-10T19:22:24Z) - MedKP: Medical Dialogue with Knowledge Enhancement and Clinical Pathway
Encoding [48.348511646407026]
本稿では,知識向上と臨床パスウェイ符号化フレームワークを用いた医療対話について紹介する。
このフレームワークは、医療知識グラフを介して外部知識増強モジュールと、医療機関および医師の行動を介して、内部臨床経路をコードする。
論文 参考訳（メタデータ） (2024-03-11T10:57:45Z) - Federated Learning for Medical Image Analysis: A Survey [16.800565615106784]
医療画像における機械学習は、しばしば基本的なジレンマに直面している。
有望なソリューションとして、クロスサイトデータを共有することなく、さまざまなサイトからのデータに基づいて機械学習モデルの協調トレーニングを可能にするフェデレーション学習が近年注目を集めている。
論文 参考訳（メタデータ） (2023-06-09T15:46:42Z) - Towards Medical Artificial General Intelligence via Knowledge-Enhanced
Multimodal Pretraining [121.89793208683625]
医療人工知能(MAGI)は、1つの基礎モデルで異なる医療課題を解くことができる。
我々は、Micical-knedge-enhanced mulTimOdal pretRaining (motoR)と呼ばれる新しいパラダイムを提案する。
論文 参考訳（メタデータ） (2023-04-26T01:26:19Z) - Fed-BioMed: Open, Transparent and Trusted Federated Learning for
Real-world Healthcare Applications [4.086864536569863]
Fed-BioMedは、Federated Learningを現実世界の医学研究アプリケーションに翻訳することを目指している。
設計空間、ターゲットユーザ、ドメイン制約、そしてこれらの要因が我々の現在および将来のソフトウェアアーキテクチャにどのように影響するかを説明します。
論文 参考訳（メタデータ） (2023-04-24T11:26:54Z) - Development and validation of a natural language processing algorithm to
pseudonymize documents in the context of a clinical data warehouse [53.797797404164946]
この研究は、この領域でツールやリソースを共有する際に直面する困難を浮き彫りにしている。
臨床文献のコーパスを12種類に分類した。
私たちは、ディープラーニングモデルと手動ルールの結果をマージして、ハイブリッドシステムを構築します。
論文 参考訳（メタデータ） (2023-03-23T17:17:46Z) - Federated Learning: Applications, Challenges and Future Scopes [1.3190581566723918]
フェデレーション・ラーニング(Federated Learning, FL)とは、複数のクライアントが機械学習の問題を解決するために、中心的なアグリゲータが協調するシステムである。
FLは無線通信、サービスレコメンデーション、インテリジェント医療診断システム、医療に応用されている。
論文 参考訳（メタデータ） (2022-05-18T10:47:09Z) - 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)
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。