論文の概要: Framework Construction of an Adversarial Federated Transfer Learning Classifier

• arxiv url: http://arxiv.org/abs/2211.04734v1
• Date: Wed, 9 Nov 2022 08:16:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 18:07:08.900180
• Title: Framework Construction of an Adversarial Federated Transfer Learning Classifier
• Title（参考訳）: 対向的フェデレーション・トランスファー学習分類器の枠組み構築
• Authors: Hang Yi, Tongxuan Bie and Tongjiang Yan
• Abstract要約: 我々は、患者データのプライバシーを確保するために、フェデレートされた学習プラットフォームを利用する新しい診断フレームワークを提供する。 我々のフレームワークは、生成的対向ネットワークを使うのではなく、識別モデルを用いて複数の分類損失関数を構築する。 また、大量のラベル付きデータを集めることの難しさや、大量のサンプルデータを生成するコストも回避している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As the Internet grows in popularity, more and more classification jobs, such as IoT, finance industry and healthcare field, rely on mobile edge computing to advance machine learning. In the medical industry, however, good diagnostic accuracy necessitates the combination of large amounts of labeled data to train the model, which is difficult and expensive to collect and risks jeopardizing patients' privacy. In this paper, we offer a novel medical diagnostic framework that employs a federated learning platform to ensure patient data privacy by transferring classification algorithms acquired in a labeled domain to a domain with sparse or missing labeled data. Rather than using a generative adversarial network, our framework uses a discriminative model to build multiple classification loss functions with the goal of improving diagnostic accuracy. It also avoids the difficulty of collecting large amounts of labeled data or the high cost of generating large amount of sample data. Experiments on real-world image datasets demonstrates that the suggested adversarial federated transfer learning method is promising for real-world medical diagnosis applications that use image classification.
• Abstract（参考訳）: インターネットの人気が高まるにつれて、IoTや金融業界、医療分野など、ますます多くの分類ジョブが、マシンラーニングの進歩にモバイルエッジコンピューティングに依存している。 しかし、医療業界では、大量のラベル付きデータを組み合わせてモデルを訓練する必要があるため、患者のプライバシを危険にさらすのが難しく、高価である。 本稿では,ラベル付きドメインで取得した分類アルゴリズムを,疎いあるいは欠落したラベル付きデータを持つドメインに転送することで,患者データプライバシを確保するために,フェデレート学習プラットフォームを利用した新しい診断フレームワークを提案する。 本フレームワークは, 生成的対向ネットワークではなく, 識別モデルを用いて複数の分類損失関数を構築し, 診断精度の向上を図る。 また、大量のラベル付きデータを集めることの難しさや、大量のサンプルデータを生成するコストも回避している。 実世界の画像データセットを用いた実験により,画像分類を用いた実世界の医療診断応用において,提案手法が期待できることを示す。

関連論文リスト

• Analysing the effectiveness of a generative model for semi-supervised medical image segmentation [23.898954721893855]
  自動セグメンテーションにおける最先端技術は、U-Netのような差別モデルを用いて、教師付き学習のままである。 半教師付き学習(SSL)は、より堅牢で信頼性の高いモデルを得るために、重複のないデータの豊富さを活用する。 セマンティックGANのような深層生成モデルは、医療画像分割問題に取り組むための真に実行可能な代替手段である。
  論文  参考訳（メタデータ） (2022-11-03T15:19:59Z)
• DIAGNOSE: Avoiding Out-of-distribution Data using Submodular Information Measures [13.492292022589918]
  類似性と相似性を共同でモデル化できる,新しいアクティブラーニングフレームワークであるDiagnoseを提案する。 本実験は, 医用画像の複数の領域にまたがる最先端AL法に対する診断の優位性を検証するものである。
  論文  参考訳（メタデータ） (2022-10-04T11:07:48Z)
• 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)
• 3N-GAN: Semi-Supervised Classification of X-Ray Images with a 3-Player Adversarial Framework [0.0]
  医用画像の半教師付き分類を行うために,3N-GAN (3 Network Generative Adversarial Networks) を提案する。 予備的な結果は、様々なアルゴリズムによる分類性能とGAN世代の改善を示している。
  論文  参考訳（メタデータ） (2021-09-22T23:18:59Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• 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。