Fugu-MT 論文翻訳(概要): Learning Underrepresented Classes from Decentralized Partially Labeled Medical Images

論文の概要: Learning Underrepresented Classes from Decentralized Partially Labeled Medical Images

arxiv url: http://arxiv.org/abs/2206.15353v1
Date: Thu, 30 Jun 2022 15:28:18 GMT
ステータス: 処理完了
システム内更新日: 2022-07-01 19:34:47.827906
Title: Learning Underrepresented Classes from Decentralized Partially Labeled Medical Images
Title（参考訳）: 部分的ラベル付き医学画像を用いた授業の学習
Authors: Nanqing Dong, Michael Kampffmeyer, Irina Voiculescu
Abstract要約: フェデレーショントレーニングに分散データを使用することは、医療領域におけるデータ不足を軽減するための新たな研究方向のひとつとして期待されている。本稿では,未表現のクラスにラベル付きインスタンスがほとんど存在しないような,実用的だが未探索の問題を考察する。標準フェデレーション学習手法は, クラス不均衡が極端に大きい, 頑健なマルチラベル分類器を学習できないことを示す。
参考スコア（独自算出の注目度）: 11.500033811355062
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Using decentralized data for federated training is one promising emerging research direction for alleviating data scarcity in the medical domain. However, in contrast to large-scale fully labeled data commonly seen in general object recognition tasks, the local medical datasets are more likely to only have images annotated for a subset of classes of interest due to high annotation costs. In this paper, we consider a practical yet under-explored problem, where underrepresented classes only have few labeled instances available and only exist in a few clients of the federated system. We show that standard federated learning approaches fail to learn robust multi-label classifiers with extreme class imbalance and address it by proposing a novel federated learning framework, FedFew. FedFew consists of three stages, where the first stage leverages federated self-supervised learning to learn class-agnostic representations. In the second stage, the decentralized partially labeled data are exploited to learn an energy-based multi-label classifier for the common classes. Finally, the underrepresented classes are detected based on the energy and a prototype-based nearest-neighbor model is proposed for few-shot matching. We evaluate FedFew on multi-label thoracic disease classification tasks and demonstrate that it outperforms the federated baselines by a large margin.
Abstract（参考訳）: 連合トレーニングに分散データを使用することは、医療領域のデータ不足を軽減するための新たな研究の方向性の1つだ。しかし、一般的なオブジェクト認識タスクで一般的に見られる大規模な完全ラベル付きデータとは対照的に、局所的な医療データセットは、高いアノテーションコストのため、関心のサブセットにのみ注釈を付ける傾向にある。本稿では,非表現クラスが利用可能なラベル付きインスタンスは少なく,フェデレーションシステムの少数のクライアントのみに存在するという,実用的で未解決な問題を考える。標準フェデレーション学習手法では,過度なクラス不均衡を持つ堅牢なマルチラベル分類器の学習に失敗し,新しいフェデレーション学習フレームワークであるfeedfewを提案する。 FedFewは3つの段階から構成されており、第1段階は、フェデレーションされた自己教師付き学習を利用して、クラスに依存しない表現を学ぶ。第2段階では、分散化された部分ラベル付きデータを利用して、共通クラスに対するエネルギーベースのマルチラベル分類器を学習する。最後に, 最小表現クラスをエネルギーに基づいて検出し, 数ショットマッチングのためのプロトタイプベース近傍モデルを提案する。我々は,多ラベル胸部疾患分類タスクにおけるFedFewの評価を行い,フェデレーションベースラインを大きなマージンで上回ることを示す。

関連論文リスト

Federated brain tumor segmentation: an extensive benchmark [2.515027627030043]
本稿では,この課題における3つのクラスすべてからのフェデレーション学習アルゴリズムの広範なベンチマークを提案する。各カテゴリのいくつかの手法は、若干の性能改善をもたらし、フェデレーションの圧倒的なデータ分布に対する最終モデル(s)バイアスを制限する可能性があることを示す。
論文参考訳（メタデータ） (2024-10-07T09:32:19Z)
FedMLP: Federated Multi-Label Medical Image Classification under Task Heterogeneity [30.49607763632271]
クロスサイロ・フェデレーション・ラーニング(FL)は、分散化された組織がデータのプライバシを保持しながら、協力的にモデルをトレーニングすることを可能にする。擬似ラベルタグ付けとグローバル知識学習という2つの側面から欠落したクラスに対処する2段階のFedMLPを提案する。公的に利用可能な2つの医療データセットの実験は、FedMLPの最先端の半教師付きおよびノイズの多いラベル学習アプローチに対する優位性を検証する。
論文参考訳（メタデータ） (2024-06-27T08:36:43Z)
Exploring Vacant Classes in Label-Skewed Federated Learning [113.65301899666645]
クライアント間の局所的なラベル分布の相違を特徴とするラベルスキューは、連合学習において大きな課題となる。本稿では, ラベルスキュード・フェデレート学習における新しい手法であるFedVLSについて紹介する。
論文参考訳（メタデータ） (2024-01-04T16:06:31Z)
Universal Semi-Supervised Learning for Medical Image Classification [21.781201758182135]
セミ教師付き学習(SSL)は、適切なラベル付きトレーニングデータを収集するコストを削減できるため、多くの注目を集めている。従来のSSLは、ラベル付きデータとラベルなしデータが同じディストリビューションのものであるべきだという仮定に基づいて構築されている。本研究では,未表示のラベル付きデータを利用した半教師付き医療画像分類のための統一的なフレームワークを提案する。
論文参考訳（メタデータ） (2023-04-08T16:12:36Z)
FLAG: Fast Label-Adaptive Aggregation for Multi-label Classification in Federated Learning [1.4280238304844592]
本研究では,クラスタリングに基づくマルチラベルデータアロケーション(CMDA)と,新たな集約手法であるFast Label-Adaptive Aggregation(FLAG)を提案する。実験の結果,我々の手法は,最先端のフェデレーション学習手法を超越するために,学習エポックとコミュニケーションラウンドの50%未満しか必要としないことがわかった。
論文参考訳（メタデータ） (2023-02-27T08:16:39Z)
Learning Discriminative Representation via Metric Learning for Imbalanced Medical Image Classification [52.94051907952536]
本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
論文参考訳（メタデータ） (2022-07-14T14:57:01Z)
Towards Unbiased Multi-label Zero-Shot Learning with Pyramid and Semantic Attention [14.855116554722489]
マルチラベルゼロショット学習は、各入力サンプルに対して、複数の未確認クラスのラベルを認識することを目的としている。本稿では,多様なクラス固有の領域を考慮し,非バイアス付きマルチラベルゼロショット学習の枠組みを提案する。
論文参考訳（メタデータ） (2022-03-07T15:52:46Z)
Statistical Dependency Guided Contrastive Learning for Multiple Labeling in Prenatal Ultrasound [56.631021151764955]
標準平面認識は出生前超音波(US)スクリーニングにおいて重要な役割を担っている。我々は,複数の標準平面と対応する解剖学的構造を同時に識別する,新しいマルチラベル学習手法を構築した。
論文参考訳（メタデータ） (2021-08-11T06:39:26Z)
Federated Semi-supervised Medical Image Classification via Inter-client Relation Matching [58.26619456972598]
フェデレートラーニング(FL)は、ディープ・ネットワークのトレーニングのために、分散医療機関とのコラボレーションで人気が高まっている。本報告では,実践的かつ困難なFL問題であるtextitFederated Semi-supervised Learning (FSSL)について検討する。本稿では, 従来の整合性正規化機構を改良し, クライアント間関係マッチング方式を提案する。
論文参考訳（メタデータ） (2021-06-16T07:58:00Z)
Cooperative Bi-path Metric for Few-shot Learning [50.98891758059389]
数発の分類問題の調査に2つの貢献をしている。本稿では,従来の教師あり学習法において,ベースクラスで訓練されたシンプルで効果的なベースラインについて報告する。本稿では, 基礎クラスと新しいクラス間の相関を利用して, 精度の向上を図る, 分類のための協調的二経路計量を提案する。
論文参考訳（メタデータ） (2020-08-10T11:28:52Z)
Adversarial Feature Hallucination Networks for Few-Shot Learning [84.31660118264514]
Adversarial Feature Hallucination Networks (AFHN) は条件付き Wasserstein Generative Adversarial Network (cWGAN) に基づいている。合成された特徴の識別性と多様性を促進するために、2つの新規レギュレータがAFHNに組み込まれている。
論文参考訳（メタデータ） (2020-03-30T02:43:16Z)

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。