論文の概要: Federated Contrastive Learning for Dermatological Disease Diagnosis via
On-device Learning
- arxiv url: http://arxiv.org/abs/2202.07470v1
- Date: Mon, 14 Feb 2022 01:11:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-16 13:18:44.467986
- Title: Federated Contrastive Learning for Dermatological Disease Diagnosis via
On-device Learning
- Title（参考訳）: デバイス上での学習による皮膚疾患診断のためのフェデレーションコントラスト学習
- Authors: Yawen Wu, Dewen Zeng, Zhepeng Wang, Yi Sheng, Lei Yang, Alaina J.
James, Yiyu Shi, Jingtong Hu
- Abstract要約: 限られたラベルを用いた皮膚疾患診断のためのオンデバイスフレームワークを提案する。
提案フレームワークは, 皮膚疾患診断のリコールと精度を, 最先端の方法と比較して効果的に改善する。
- 参考スコア（独自算出の注目度）: 15.862924197017264
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning models have been deployed in an increasing number of edge and
mobile devices to provide healthcare. These models rely on training with a
tremendous amount of labeled data to achieve high accuracy. However, for
medical applications such as dermatological disease diagnosis, the private data
collected by mobile dermatology assistants exist on distributed mobile devices
of patients, and each device only has a limited amount of data. Directly
learning from limited data greatly deteriorates the performance of learned
models. Federated learning (FL) can train models by using data distributed on
devices while keeping the data local for privacy. Existing works on FL assume
all the data have ground-truth labels. However, medical data often comes
without any accompanying labels since labeling requires expertise and results
in prohibitively high labor costs. The recently developed self-supervised
learning approach, contrastive learning (CL), can leverage the unlabeled data
to pre-train a model, after which the model is fine-tuned on limited labeled
data for dermatological disease diagnosis. However, simply combining CL with FL
as federated contrastive learning (FCL) will result in ineffective learning
since CL requires diverse data for learning but each device only has limited
data. In this work, we propose an on-device FCL framework for dermatological
disease diagnosis with limited labels. Features are shared in the FCL
pre-training process to provide diverse and accurate contrastive information.
After that, the pre-trained model is fine-tuned with local labeled data
independently on each device or collaboratively with supervised federated
learning on all devices. Experiments on dermatological disease datasets show
that the proposed framework effectively improves the recall and precision of
dermatological disease diagnosis compared with state-of-the-art methods.
- Abstract（参考訳）: ディープラーニングモデルは、医療を提供するために、エッジとモバイルデバイスの数が増えている。
これらのモデルは、高い精度を達成するために、大量のラベル付きデータによるトレーニングに依存します。
しかし, 皮膚疾患診断などの医学的応用においては, 移動体皮膚科助手が収集したプライベートデータは, 患者の分散モバイルデバイス上に存在し, それぞれのデバイスは限られた量のデータしか持たない。
限られたデータから直接学習することで、学習モデルの性能が大幅に低下する。
フェデレーション学習(FL)は、プライバシのためにデータをローカルに保ちながら、デバイス上に分散したデータを使用してモデルをトレーニングすることができる。
flの既存の作業では、すべてのデータが接地ラベルを持つと仮定している。
しかし、ラベル付けには専門知識が必要であり、労働コストが極めて高いため、医療データにはラベルが付かないことが多い。
最近開発された自己教師付き学習アプローチであるコントラスト・ラーニング(cl)は、ラベルなしのデータを利用してモデルを事前学習し、そのモデルが皮膚疾患診断のための限定ラベル付きデータに微調整される。
しかし、CLとFLをフェデレートされたコントラスト学習(FCL)として組み合わせれば、CLは学習に多様なデータを必要とするが、各デバイスは限られたデータしか持たないため、非効率な学習をもたらす。
本稿では,限定ラベルによる皮膚疾患診断のためのオンデバイスfclフレームワークを提案する。
特徴はfcl事前学習プロセスで共有され、多様で正確なコントラスト情報を提供する。
その後、事前訓練されたモデルは、各デバイス上で独立にローカルラベル付きデータで微調整されるか、またはすべてのデバイス上で教師付きフェデレーション学習と協調される。
皮膚科疾患データセットに関する実験により,提案手法は最新の手法と比較して,皮膚科疾患診断のリコールと精度を効果的に改善することが示された。
関連論文リスト
- FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。
機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。
本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
論文 参考訳（メタデータ） (2024-10-28T02:24:01Z) - Federated Learning on Transcriptomic Data: Model Quality and Performance
Trade-Offs [0.0]
大規模なゲノムまたは転写データの機械学習は、多くの新しい健康アプリケーションにとって重要である。
プライバシーと規制上の理由から、信頼できるサードパーティですべてのデータを集約することも問題となる。
生データを交換することなく、分散型で協調的な機械学習を可能にするため、フェデレーション学習は有望なソリューションである。
論文 参考訳（メタデータ） (2024-02-22T13:21:26Z) - DOCTOR: A Multi-Disease Detection Continual Learning Framework Based on Wearable Medical Sensors [3.088223994180069]
ウェアラブル医療センサ(WMS)に基づく多相検出連続学習フレームワークであるDOCTORを提案する。
マルチヘッドディープニューラルネットワーク(DNN)とリプレイスタイルのCLアルゴリズムを採用している。
平均テスト精度は1.43倍、F1スコアは1.25倍、後方転送は0.41倍である。
論文 参考訳（メタデータ） (2023-05-09T19:33:17Z) - Federated Self-Supervised Contrastive Learning and Masked Autoencoder
for Dermatological Disease Diagnosis [15.20791611477636]
皮膚科疾患の診断において, 移動皮膚科補助医が収集した個人データは, 患者の移動体に分散して存在する。
本稿では,ラベルが限定された皮膚疾患診断のための2つの自己指導型学習フレームワークを提案する。
皮膚疾患データセットの実験は、最先端のフレームワークよりも提案したフレームワークの精度が優れていることを示している。
論文 参考訳（メタデータ） (2022-08-24T02:49:35Z) - Federated Contrastive Learning for Volumetric Medical Image Segmentation [16.3860181959878]
フェデレートラーニング(FL)は、プライバシのためのトレーニングデータをローカルに保持しながら、共有モデルを学ぶことで、この点において役立つ。
従来のFLはトレーニングのために完全にラベル付けされたデータを必要とする。
そこで本研究では,アノテーションを限定したボリューム・メディカル・イメージ・セグメンテーションのためのFCLフレームワークを提案する。
論文 参考訳（メタデータ） (2022-04-23T03:47:23Z) - 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 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) - Relational Subsets Knowledge Distillation for Long-tailed Retinal
Diseases Recognition [65.77962788209103]
本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。
モデルがサブセット固有の知識の学習に集中するように強制する。
提案手法は長期網膜疾患認識タスクに有効であることが判明した。
論文 参考訳（メタデータ） (2021-04-22T13:39:33Z) - FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
新型コロナウイルスの感染拡大で医療資源が不足している。
新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。
患者のプライバシー上の懸念から、データそのものはまだ乏しい。
我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
論文 参考訳（メタデータ） (2021-02-10T01:56:58Z) - Real-World Multi-Domain Data Applications for Generalizations to
Clinical Settings [1.508558791031741]
ディープラーニングモデルは、臨床試験のような人工的な設定から標準化されたデータセットでトレーニングされた場合、うまく機能する。
マルチドメイン実世界のデータセットに転送学習を用いた自己教師型アプローチを用いることで、標準化されたデータセットに対して16%の相対的改善が達成できることを示す。
論文 参考訳（メタデータ） (2020-07-24T17:41:23Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳（メタデータ） (2020-05-03T02:36:00Z)
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。