論文の概要: FedStack: Personalized activity monitoring using stacked federated
learning
- arxiv url: http://arxiv.org/abs/2209.13080v1
- Date: Tue, 27 Sep 2022 00:12:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 14:50:20.275373
- Title: FedStack: Personalized activity monitoring using stacked federated
learning
- Title（参考訳）: fedstack: スタック型フェデレーション学習によるパーソナライズされたアクティビティ監視
- Authors: Thanveer Shaik, Xiaohui Tao, Niall Higgins, Raj Gururajan, Yuefeng Li,
Xujuan Zhou, U Rajendra Acharya
- Abstract要約: フェデレーション学習は、データのプライバシを高めるように設計された比較的新しいAI技術である。
従来のフェデレート学習では、ローカルクライアントとグローバルサーバをまたいでトレーニングされるのと同じアーキテクチャモデルが必要です。
この研究は、分散型アプローチで入院中の患者に対して保護されたプライバシシステムを提供する。
- 参考スコア（独自算出の注目度）: 12.792461572028449
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in remote patient monitoring (RPM) systems can recognize
various human activities to measure vital signs, including subtle motions from
superficial vessels. There is a growing interest in applying artificial
intelligence (AI) to this area of healthcare by addressing known limitations
and challenges such as predicting and classifying vital signs and physical
movements, which are considered crucial tasks. Federated learning is a
relatively new AI technique designed to enhance data privacy by decentralizing
traditional machine learning modeling. However, traditional federated learning
requires identical architectural models to be trained across the local clients
and global servers. This limits global model architecture due to the lack of
local models heterogeneity. To overcome this, a novel federated learning
architecture, FedStack, which supports ensembling heterogeneous architectural
client models was proposed in this study. This work offers a protected privacy
system for hospitalized in-patients in a decentralized approach and identifies
optimum sensor placement. The proposed architecture was applied to a mobile
health sensor benchmark dataset from 10 different subjects to classify 12
routine activities. Three AI models, ANN, CNN, and Bi-LSTM were trained on
individual subject data. The federated learning architecture was applied to
these models to build local and global models capable of state of the art
performances. The local CNN model outperformed ANN and Bi-LSTM models on each
subject data. Our proposed work has demonstrated better performance for
heterogeneous stacking of the local models compared to homogeneous stacking.
This work sets the stage to build an enhanced RPM system that incorporates
client privacy to assist with clinical observations for patients in an acute
mental health facility and ultimately help to prevent unexpected death.
- Abstract（参考訳）: 遠隔患者モニタリング(RPM)システムの最近の進歩は、表面血管からの微妙な動きを含む重要な兆候を測定するために、様々な人間の活動を認識することができる。
この領域に人工知能(AI)を適用することへの関心が高まっており、重要な課題であるバイタルサインや身体運動の予測や分類といった既知の制限や課題に対処している。
フェデレートラーニング(Federated Learning)は、従来の機械学習モデリングを分散化することによってデータのプライバシを高めるために設計された、比較的新しいAIテクニックである。
しかし、従来のフェデレート学習では、ローカルクライアントとグローバルサーバ間でトレーニングされるのと同じアーキテクチャモデルが必要である。
これにより、局所モデルの不均一性が欠如しているため、グローバルモデルアーキテクチャが制限される。
そこで本研究では,ヘテロジニアス・アーキテクチャ・クライアントモデルをセンシングする新しいフェデレーション・ラーニング・アーキテクチャであるfeedstackを提案する。
本研究は,集中型アプローチで入院患者に保護されたプライバシーシステムを提供し,最適なセンサ配置を特定する。
提案するアーキテクチャは,モバイルヘルスセンサベンチマークデータセットに10の異なる被験者から12のルーチンアクティビティを分類するために適用した。
ANN、CNN、Bi-LSTMの3つのAIモデルは、個々の対象データに基づいて訓練された。
これらのモデルにフェデレートされた学習アーキテクチャを適用し、局所的およびグローバルなモデルを構築し、アートパフォーマンスの状態を表現した。
ローカルCNNモデルは、各対象データ上でANNおよびBi-LSTMモデルより優れていた。
提案手法は, 局所モデルの不均一な積み重ねに対して, 均質な積み重ねよりも優れた性能を示した。
この研究は、クライアントプライバシを組み込んだ拡張rpmシステムを構築し、急性精神保健施設における患者の臨床観察を支援し、最終的には予期せぬ死を予防する。
関連論文リスト
- 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) - L-SFAN: Lightweight Spatially-focused Attention Network for Pain Behavior Detection [44.016805074560295]
慢性的な腰痛 (CLBP) は世界中の何百万もの患者を悩ませており、個人の健康や医療システムに対する経済的負担に大きな影響を及ぼす。
人工知能(AI)とディープラーニングは、リハビリ戦略を改善するために痛みに関連する行動を分析するための有望な道を提供するが、畳み込みニューラルネットワーク(CNN)を含む現在のモデルには限界がある。
我々は、モーションキャプチャーと表面筋電図センサからデータの空間的時間的相互作用をキャプチャする2Dフィルタを組み込んだ軽量CNNアーキテクチャであるhbox EmoL-SFANを紹介する。
論文 参考訳（メタデータ） (2024-06-07T12:01:37Z) - 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) - OpenMEDLab: An Open-source Platform for Multi-modality Foundation Models
in Medicine [55.29668193415034]
マルチモダリティ基盤モデルのためのオープンソースプラットフォームであるOpenMEDLabについて紹介する。
これは、最前線臨床および生体情報学応用のための大規模言語とビジョンモデルを刺激し、微調整する先駆的な試みの解決策をカプセル化する。
様々な医用画像のモダリティ、臨床テキスト、タンパク質工学など、事前訓練された基礎モデル群へのアクセスが可能である。
論文 参考訳（メタデータ） (2024-02-28T03:51:02Z) - Automated Fusion of Multimodal Electronic Health Records for Better
Medical Predictions [48.0590120095748]
本稿では,多様な入力モダリティと融合戦略を符号化する最適なモデルアーキテクチャを自動検索する,AutoFMという新しいニューラルネットワーク探索フレームワークを提案する。
我々は実世界のマルチモーダルEHRデータと予測タスクについて徹底的な実験を行い、その結果、我々のフレームワークが既存の最先端手法よりも大幅な性能向上を実現していることを示す。
論文 参考訳（メタデータ） (2024-01-20T15:14:14Z) - Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-22T02:12:08Z) - Towards Personalized Federated Learning via Heterogeneous Model
Reassembly [84.44268421053043]
pFedHRは、異種モデルの再組み立てを利用して、パーソナライズされたフェデレーション学習を実現するフレームワークである。
pFedHRは、動的に多様なパーソナライズされたモデルを自動生成する。
論文 参考訳（メタデータ） (2023-08-16T19:36:01Z) - SPIDER: Searching Personalized Neural Architecture for Federated
Learning [17.61748275091843]
フェデレーション・ラーニング(FL)は、プライバシと規制上の制約により、データが集中型サーバと共有できない場合、機械学習を支援する。
FLの最近の進歩は、すべてのクライアントに対して事前定義されたアーキテクチャベースの学習を使用する。
我々は、フェデレート学習のためのパーソナライズされたニューラルアーキテクチャの検索を目的としたアルゴリズムフレームワークであるSPIDERを紹介する。
論文 参考訳（メタデータ） (2021-12-27T23:42:15Z) - A Personalized Federated Learning Algorithm: an Application in Anomaly
Detection [0.6700873164609007]
フェデレートラーニング(FL)は、データプライバシと送信問題を克服する有望な方法として最近登場した。
FLでは、異なるデバイスやセンサーから収集されたデータセットを使用して、各学習を集中型モデル(サーバ)と共有するローカルモデル(クライアント)をトレーニングする。
本稿では,PC-FedAvg(Personalized FedAvg, PC-FedAvg)を提案する。
論文 参考訳（メタデータ） (2021-11-04T04:57:11Z) - Multi-Branch Deep Radial Basis Function Networks for Facial Emotion
Recognition [80.35852245488043]
放射状基底関数(RBF)ユニットによって形成された複数の分岐で拡張されたCNNベースのアーキテクチャを提案する。
RBFユニットは、中間表現を用いて類似のインスタンスで共有される局所パターンをキャプチャする。
提案手法は,提案手法の競争力を高めるためのローカル情報の導入であることを示す。
論文 参考訳（メタデータ） (2021-09-07T21:05:56Z) - 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。