論文の概要: Decentralized Distributed Learning with Privacy-Preserving Data
Synthesis
- arxiv url: http://arxiv.org/abs/2206.10048v1
- Date: Mon, 20 Jun 2022 23:49:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-23 07:11:29.655024
- Title: Decentralized Distributed Learning with Privacy-Preserving Data
Synthesis
- Title（参考訳）: プライバシ保護データ合成による分散分散学習
- Authors: Matteo Pennisi, Federica Proietto Salanitri, Giovanni Bellitto, Bruno
Casella, Marco Aldinucci, Simone Palazzo, Concetto Spampinato
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 9.276097219140073
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the medical field, multi-center collaborations are often sought to yield
more generalizable findings by leveraging the heterogeneity of patient and
clinical data. However, recent privacy regulations hinder the possibility to
share data, and consequently, to come up with machine learning-based solutions
that support diagnosis and prognosis. Federated learning (FL) aims at
sidestepping this limitation by bringing AI-based solutions to data owners and
only sharing local AI models, or parts thereof, that need then to be
aggregated. However, most of the existing federated learning solutions are
still at their infancy and show several shortcomings, from the lack of a
reliable and effective aggregation scheme able to retain the knowledge learned
locally to weak privacy preservation as real data may be reconstructed from
model updates. Furthermore, the majority of these approaches, especially those
dealing with medical data, relies on a centralized distributed learning
strategy that poses robustness, scalability and trust issues. In this paper we
present a decentralized distributed method that, exploiting concepts from
experience replay and generative adversarial research, effectively integrates
features from local nodes, providing models able to generalize across multiple
datasets while maintaining privacy. The proposed approach is tested on two
tasks - tuberculosis and melanoma classification - using multiple datasets in
order to simulate realistic non-i.i.d. data scenarios. Results show that our
approach achieves performance comparable to both standard (non-federated)
learning and federated methods in their centralized (thus, more favourable)
formulation.
- Abstract（参考訳）: 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。
しかし、最近のプライバシー規制は、データを共有する可能性を妨げ、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。
フェデレーテッド・ラーニング(FL)は、AIベースのソリューションをデータ所有者に提供し、収集が必要なローカルAIモデルまたはその一部を共有することで、この制限を回避しようとしている。
しかし、既存のフェデレーション学習ソリューションの多くはまだ初期段階にあり、モデル更新から実際のデータが再構築される可能性があるため、ローカルで学習した知識をローカルに保持できる信頼性と効果的な集約スキームが欠如していることから、いくつかの欠点がある。
さらに、これらのアプローチの大部分、特に医療データを扱うアプローチは、堅牢性、スケーラビリティ、信頼性の問題を引き起こす集中型の分散学習戦略に依存しています。
本稿では,経験的再生と生成的敵対研究から概念を活用し,ローカルノードの機能を効果的に統合し,複数のデータセットをまたいだ一般化を実現する分散分散手法を提案する。
提案手法は,非i.i.d.データシナリオをシミュレートするために,複数のデータセットを用いて結核と黒色腫の分類を行う。
その結果,本手法は,標準型(非フェデレート型)学習と連合型手法の両方に匹敵する性能を実現していることがわかった。
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) - Leveraging Federated Learning for Automatic Detection of Clopidogrel
Treatment Failures [0.8132630541462695]
本研究では,クロピドッグレル処理障害検出のためのフェデレーション学習戦略を活用する。
地理的中心に基づいてデータを分割し,フェデレート学習の性能を評価した。
クロピドッグレル治療障害検出におけるフェデレート学習の可能性について検討した。
論文 参考訳（メタデータ） (2024-03-05T23:31:07Z) - Think Twice Before Selection: Federated Evidential Active Learning for Medical Image Analysis with Domain Shifts [11.562953837452126]
多様なドメインから得られたローカルデータの情報性を評価するための最初の試みを行う。
本稿では,ドメインシフト下でのデータ評価を校正する新しい手法であるFederated Evidential Active Learning(FEAL)を提案する。
論文 参考訳（メタデータ） (2023-12-05T08:32:27Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - Evaluation and Analysis of Different Aggregation and Hyperparameter
Selection Methods for Federated Brain Tumor Segmentation [2.294014185517203]
我々は分散学習手法であるフェデレート学習パラダイムに注目した。
研究は、連合学習が従来の中央訓練と競争力を発揮することを示した。
我々は、より高速な収束と優れた性能のための様々な戦略を探求し、強力な非IIDケースでも機能する。
論文 参考訳（メタデータ） (2022-02-16T07:49:04Z) - 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) - 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) - FedDG: Federated Domain Generalization on Medical Image Segmentation via
Episodic Learning in Continuous Frequency Space [63.43592895652803]
フェデレーションラーニングは、分散医療機関がプライバシ保護を備えた共有予測モデルを共同で学習することを可能にします。
臨床展開では、連合学習で訓練されたモデルは、連邦外の完全に見えない病院に適用された場合、パフォーマンス低下に苦しむ可能性がある。
そこで本研究では,この問題に対してELCFS(Episodic Learning in Continuous frequency Space)と呼ばれる新しいアプローチを提案する。
本手法の有効性は,2つの医用画像分割作業における最先端および深部アブレーション実験よりも優れていた。
論文 参考訳（メタデータ） (2021-03-10T13:05:23Z) - 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) - Multi-Center Federated Learning [62.57229809407692]
本稿では,フェデレート学習のための新しい多中心集約機構を提案する。
非IIDユーザデータから複数のグローバルモデルを学び、同時にユーザとセンタ間の最適なマッチングを導出する。
ベンチマークデータセットによる実験結果から,本手法はいくつかの一般的なフェデレーション学習法より優れていることが示された。
論文 参考訳（メタデータ） (2020-05-03T09:14:31Z) - 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。