論文の概要: Cluster Based Secure Multi-Party Computation in Federated Learning for Histopathology Images

• arxiv url: http://arxiv.org/abs/2208.10919v1
• Date: Sun, 21 Aug 2022 23:56:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-24 12:56:33.619775
• Title: Cluster Based Secure Multi-Party Computation in Federated Learning for Histopathology Images
• Title（参考訳）: 病理画像のフェデレーション学習におけるクラスタベースセキュア多人数計算
• Authors: S. Maryam Hosseini, Milad Sikaroudi, Morteza Babaei, H.R. Tizhoosh
• Abstract要約: フェデレートラーニング(Federated Learning, FL)は、病院が個人患者データを訓練のために共有することなく、協力的にモデルを学習できる分散型の方法である。 FLでは、患者病院は、中央サーバーでサンプルをトレーニングするよりも、定期的にトレーニング結果を交換する。 提案手法では,各病院をクラスタに分割し,各病院のモデル重量を同一クラスタに分割し,各病院が受信した重量を合計し,その結果を中央サーバに送信する。 最後に、中央サーバが結果を集約し、個々の病院の重量にアクセスすることなく、モデルの重量平均を検索し、モデルを更新する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) is a decentralized method enabling hospitals to collaboratively learn a model without sharing private patient data for training. In FL, participant hospitals periodically exchange training results rather than training samples with a central server. However, having access to model parameters or gradients can expose private training data samples. To address this challenge, we adopt secure multiparty computation (SMC) to establish a privacy-preserving federated learning framework. In our proposed method, the hospitals are divided into clusters. After local training, each hospital splits its model weights among other hospitals in the same cluster such that no single hospital can retrieve other hospitals' weights on its own. Then, all hospitals sum up the received weights, sending the results to the central server. Finally, the central server aggregates the results, retrieving the average of models' weights and updating the model without having access to individual hospitals' weights. We conduct experiments on a publicly available repository, The Cancer Genome Atlas (TCGA). We compare the performance of the proposed framework with differential privacy and federated averaging as the baseline. The results reveal that compared to differential privacy, our framework can achieve higher accuracy with no privacy leakage risk at a cost of higher communication overhead.
• Abstract（参考訳）: フェデレーション・ラーニング(英語: federated learning, fl)は、病院が個人患者データを共有せずに協調的にモデルを学習できる分散学習手法である。 FLでは、患者病院は、中央サーバーでサンプルをトレーニングするよりも、定期的にトレーニング結果を交換する。 しかし、モデルパラメータや勾配へのアクセスは、プライベートなトレーニングデータサンプルを公開することができる。 この課題に対処するために、我々はセキュアなマルチパーティ計算(SMC)を採用し、プライバシー保護フェデレーション学習フレームワークを確立する。 提案手法では,病院をクラスターに分割する。 地域訓練の後、各病院はモデル重量を同じ集団内の他の病院に分け、単独で他の病院の重量を回収することができない。 そして、すべての病院が受信した体重を合計し、結果を中央サーバーに送信する。 最後に、中央サーバは結果を集約し、モデルの重みの平均を取得し、個々の病院の重みにアクセスすることなくモデルを更新する。 我々は公開リポジトリであるThe Cancer Genome Atlas (TCGA)で実験を行った。 提案するフレームワークの性能を,差分プライバシーとフェデレーション平均化をベースラインとして比較する。 その結果,差分プライバシと比較して,通信オーバーヘッドの高いコストで,プライバシリークリスクを伴わずに高い精度を実現することができた。

関連論文リスト

• Comparing Federated Stochastic Gradient Descent and Federated Averaging for Predicting Hospital Length of Stay [0.0]
  入院期間(LOS)を確実に予測することは,病院における資源配分の効率化に不可欠である。 従来の予測モデリングツールは、医療機関がプライバシー規則を定めているため、十分なデータと多様なデータを取得するのが難しいことが多い。 このモデリング手法は、病院外の機密データを抽出することなく、異なる病院からの分散データソースをモデル化することで協調的なモデルトレーニングを促進する。
  論文  参考訳（メタデータ） (2024-07-17T17:00:20Z)
• Brain Storm Optimization Based Swarm Learning for Diabetic Retinopathy Image Classification [5.440545944342685]
  本稿では,ブレインストーム最適化アルゴリズムを,BSO-SLという名称のSwarm学習フレームワークに統合する。 実際の糖尿病網膜症画像分類データセットを用いて,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-04-24T01:37:20Z)
• Ensemble Federated Learning: an approach for collaborative pneumonia diagnosis [7.901279301392376]
  スマートヘルスケアシステムでは、データの交換はプライバシー上の懸念を意味し、迅速な反応が必要である。 本稿では,プライバシ保護が鍵となる第1のシナリオについて論じる。その結果,一意かつ大規模な医用画像データセットの構築は選択肢ではない。 本稿では,以下の特徴に基づくアンサンブル・フェデレーション・ラーニング(EFL)手法を提案する。
  論文  参考訳（メタデータ） (2023-12-12T16:53:18Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
  フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。 FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。 SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。 本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-20T10:49:22Z)
• Federated Learning in Multi-Center Critical Care Research: A Systematic Case Study using the eICU Database [24.31499341763427]
  データを交換することなく、異なるユニットでモデルを訓練する方法として、フェデレートラーニング(FL)が提案されている。 FLが利用可能なeICUデータセットに与える影響について検討し,各ICU滞在の生存率を予測する。
  論文  参考訳（メタデータ） (2022-04-20T09:03:09Z)
• 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)
• 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)
• 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)
• WAFFLe: Weight Anonymized Factorization for Federated Learning [88.44939168851721]
  データが機密性やプライベート性を持つドメインでは、ローカルデバイスを離れることなく、分散的に学習できるメソッドには大きな価値があります。 本稿では,フェデレートラーニングのためのウェイト匿名化因子化(WAFFLe)を提案する。これは,インド・バフェット・プロセスとニューラルネットワークの重み要因の共有辞書を組み合わせたアプローチである。
  論文  参考訳（メタデータ） (2020-08-13T04:26:31Z)
• An Adversarial Approach for the Robust Classification of Pneumonia from Chest Radiographs [9.462808515258464]
  ディープラーニングモデルは、しばしばデータセットシフトによるパフォーマンス損失を示す。 1つの病院システムからのデータを用いてトレーニングされたモデルは、同一病院のデータでテストすると高い予測性能を得るが、異なる病院システムでテストした場合は著しく悪化する。 我々は,共同創設者に依存しないより堅牢なモデルを学ぶことができる,逆最適化に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-13T03:49:05Z)

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。