論文の概要: Universal EHR Federated Learning Framework

• arxiv url: http://arxiv.org/abs/2211.07300v1
• Date: Mon, 14 Nov 2022 12:24:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 19:19:00.358793
• Title: Universal EHR Federated Learning Framework
• Title（参考訳）: ユニバーサルepr連合学習フレームワーク
• Authors: Junu Kim, Kyunghoon Hur, Seongjun Yang, Edward Choi
• Abstract要約: フェデレートラーニング(FL)は、電子医療記録(EHR)における最も実践的なマルチソースラーニング手法である プライバシー保護が保証されているにもかかわらず、FLの幅広い適用は、異種EHRシステムと非i.d.データ特性という2つの大きな課題によって制限されている。 本研究は、異種EHRを単一のFLフレームワークに統合する最初のアプローチである。この組み合わせにより、局所学習と比較して平均3.4%の性能向上が得られる。
• 参考スコア（独自算出の注目度）: 8.235237829079912
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) is the most practical multi-source learning method for electronic healthcare records (EHR). Despite its guarantee of privacy protection, the wide application of FL is restricted by two large challenges: the heterogeneous EHR systems, and the non-i.i.d. data characteristic. A recent research proposed a framework that unifies heterogeneous EHRs, named UniHPF. We attempt to address both the challenges simultaneously by combining UniHPF and FL. Our study is the first approach to unify heterogeneous EHRs into a single FL framework. This combination provides an average of 3.4% performance gain compared to local learning. We believe that our framework is practically applicable in the real-world FL.
• Abstract（参考訳）: フェデレートラーニング(FL)は、電子医療記録(EHR)の最も実用的なマルチソースラーニング手法である。 プライバシー保護が保証されているにもかかわらず、FLの幅広い適用は、異種EHRシステムと非i.d.データ特性という2つの大きな課題によって制限されている。 最近の研究では、UniHPFという異種EHRを統合するフレームワークが提案されている。 我々はUniHPFとFLを組み合わせることで両課題を同時に解決しようとする。 本研究は異種EHRを単一FLフレームワークに統合するための最初のアプローチである。 この組み合わせは、ローカル学習と比較して平均3.4%のパフォーマンス向上をもたらす。 われわれのフレームワークは現実のFLに適用できると考えている。

関連論文リスト

• A-FedPD: Aligning Dual-Drift is All Federated Primal-Dual Learning Needs [57.35402286842029]
  本稿では,グローバルクライアントとローカルクライアントの仮想二重配向を構成する新しいアラインドデュアルデュアル(A-FedPD)手法を提案する。 本稿では,A-FedPD方式の非集中型セキュリティコンセンサスに対する効率を包括的に分析する。
  論文  参考訳（メタデータ） (2024-09-27T17:00:32Z)
• Advances in APPFL: A Comprehensive and Extensible Federated Learning Framework [1.4206132527980742]
  Federated Learning(FL)は、データプライバシを保持しながら協調的なモデルトレーニングを可能にする分散機械学習パラダイムである。 本稿では,統合学習のためのフレームワークおよびベンチマークスイートであるAPPFLの開発における最近の進歩について述べる。 本稿では, 通信効率, プライバシー保護, 計算性能, 資源利用など, FLの様々な側面を評価する広範な実験を通じて, APPFLの能力を実証する。
  論文  参考訳（メタデータ） (2024-09-17T22:20:26Z)
• FedCompetitors: Harmonious Collaboration in Federated Learning with Competing Participants [41.070716405671206]
  フェデレートラーニング(FL)は、機械学習モデルの協調トレーニングのためのプライバシ保護アプローチを提供する。 データ補完性に基づいて各FL参加者に対して適切な協力者を選択することが重要である。 一部のFL-PTが競合するFL-PT間の個人間関係を考えることは必須である。
  論文  参考訳（メタデータ） (2023-12-18T17:53:01Z)
• Heterogeneous Federated Learning: State-of-the-art and Research Challenges [117.77132819796105]
  不均一フェデレートラーニング(HFL)はより困難であり、それに対応するソリューションは多様で複雑である。 HFLの新たな進歩を概説し,既存のHFL手法の新たな分類法を提案する。 HFLにおけるいくつかの重要かつ将来的な研究方向性について論じる。
  論文  参考訳（メタデータ） (2023-07-20T06:32:14Z)
• Deep Equilibrium Models Meet Federated Learning [71.57324258813675]
  本研究では,従来の深層学習ネットワークの代わりにDeep Equilibrium(DEQ)モデルを用いて,フェデレートラーニング(FL)問題について検討する。 我々は、DECモデルをフェデレート学習フレームワークに組み込むことで、FLのいくつかのオープンな問題に自然に対処できると主張している。 我々の知る限りでは、この研究は、DECモデルとフェデレーションラーニングの関連性を確立する最初のものである。
  論文  参考訳（メタデータ） (2023-05-29T22:51:40Z)
• Towards Fairer and More Efficient Federated Learning via Multidimensional Personalized Edge Models [36.84027517814128]
  フェデレートラーニング(FL)は、プライバシーを維持しながら、大規模で地理的に分散したエッジデータをトレーニングする。 複数の次元からFLの不均一性を除去するカスタム・フェデレート・ラーニング(CFL)システムを提案する。 CFLは、オンライントレーニングされたモデル検索ヘルパーと新しい集約アルゴリズムによって、クライアントごとに特別に設計されたグローバルモデルからパーソナライズされたモデルをカスタマイズする。
  論文  参考訳（メタデータ） (2023-02-09T06:55:19Z)
• A Primal-Dual Algorithm for Hybrid Federated Learning [11.955062839855334]
  Fenchel Dualityをベースとした,ハイブリット・フェデレーション・ラーニングのための高速で堅牢なアルゴリズムを提案する。 また、クライアントデータを保護するためのプライバシーの考慮と必要な手順も提供します。
  論文  参考訳（メタデータ） (2022-10-14T21:02:04Z)
• Vertical Semi-Federated Learning for Efficient Online Advertising [50.18284051956359]
  VFLの実践的な産業的応用を実現するために,Semi-VFL (Vertical Semi-Federated Learning) を提案する。 サンプル空間全体に適用可能な推論効率のよいシングルパーティ学生モデルを構築した。 新しい表現蒸留法は、重なり合うデータと非重なり合うデータの両方について、パーティ間の特徴相関を抽出するように設計されている。
  論文  参考訳（メタデータ） (2022-09-30T17:59:27Z)
• Efficient Split-Mix Federated Learning for On-Demand and In-Situ Customization [107.72786199113183]
  フェデレートラーニング(FL)は、複数の参加者が生データを共有せずに学習をコラボレーションするための分散ラーニングフレームワークを提供する。 本稿では, モデルサイズとロバスト性をその場でカスタマイズできる, 不均一な参加者のための新しいスプリット・ミクス・FL戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-18T04:58:34Z)
• CoFED: Cross-silo Heterogeneous Federated Multi-task Learning via Co-training [11.198612582299813]
  Federated Learning(FL)は、参加者がプライベートデータを交換することなく、高品質なモデルを協調的にトレーニングできる機械学習技術である。 擬似ラベル付き未ラベルデータに基づく通信効率の高いFLスキームであるCoFEDを提案する。 実験結果から,CoFEDは通信コストの低減を図った。
  論文  参考訳（メタデータ） (2022-02-17T11:34:20Z)
• Hybrid Federated Learning: Algorithms and Implementation [61.0640216394349]
  Federated Learning(FL)は、分散データセットとプライベートデータセットを扱う分散機械学習パラダイムである。 ハイブリッドFLのためのモデルマッチングに基づく新しい問題定式化を提案する。 次に,グローバルモデルとローカルモデルを協調して学習し,完全かつ部分的な特徴量を扱う効率的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-22T23:56:03Z)

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。