Fugu-MT 論文翻訳(概要): Federated Learning for Healthcare Domain -- Pipeline, Applications and Challenges

論文の概要: Federated Learning for Healthcare Domain -- Pipeline, Applications and Challenges

arxiv url: http://arxiv.org/abs/2211.07893v1
Date: Tue, 15 Nov 2022 04:41:04 GMT
ステータス: 処理完了
システム内更新日: 2022-11-16 13:58:57.212148
Title: Federated Learning for Healthcare Domain -- Pipeline, Applications and Challenges
Title（参考訳）: 医療領域における連合学習 -- パイプライン、アプリケーション、課題
Authors: Madhura Joshi, Ankit Pal and Malaikannan Sankarasubbu
Abstract要約: フェデレーション・ラーニング(Federated Learning)とは、データセンタに分散したデータセット上の機械学習モデルを開発するプロセスである。本調査では,フェデレートラーニングのトピックにおいて,実践者が認識すべき課題,方法,アプリケーションについて紹介する。
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 is the process of developing machine learning models over datasets distributed across data centers such as hospitals, clinical research labs, and mobile devices while preventing data leakage. This survey examines previous research and studies on federated learning in the healthcare sector across a range of use cases and applications. Our survey shows what challenges, methods, and applications a practitioner should be aware of in the topic of federated learning. This paper aims to lay out existing research and list the possibilities of federated learning for healthcare industries.
Abstract（参考訳）: フェデレート・ラーニング(Federated Learning)とは、病院、臨床実験室、モバイルデバイスなどのデータセンターに分散するデータセット上で機械学習モデルを開発するプロセスである。本調査は,医療分野におけるフェデレート学習に関するこれまでの研究と研究を,さまざまなユースケースと応用で検討する。フェデレーション学習のトピックにおいて,実践者が意識すべき課題,方法,応用について調査を行った。本稿では、既存の研究を概説し、医療産業におけるフェデレーションラーニングの可能性を挙げる。

関連論文リスト

Federated Learning in Healthcare: Model Misconducts, Security, Challenges, Applications, and Future Research Directions -- A Systematic Review [2.710010611878837]
フェデレートラーニング(FL)は、複数の医療機関が共有することなく、分散データから共同で学ぶことを可能にする。 FLの医療分野は、疾患予測、治療のカスタマイズ、臨床試験研究などの分野をカバーしている。 FLの実装は、非IIDデータ環境におけるモデル収束、通信オーバーヘッド、複数機関の協調管理など、課題を提起する。
論文参考訳（メタデータ） (2024-05-22T16:59:50Z)
Open Challenges and Opportunities in Federated Foundation Models Towards Biomedical Healthcare [14.399086205317358]
ファンデーションモデル(FM)は、教師なし事前訓練、自己教師付き学習、微調整の指導、人間のフィードバックからの強化学習など、膨大なデータセットで訓練される。これらのモデルは、臨床報告、診断画像、マルチモーダル患者間相互作用などの多様なデータフォームの処理を必要とする生体医学的応用に不可欠である。 FLをこれらの洗練されたモデルに組み込むことは、機密性の高い医療データのプライバシーを守りながら、分析能力を活用するという有望な戦略を示す。
論文参考訳（メタデータ） (2024-05-10T19:22:24Z)
Federated Learning for Medical Image Analysis: A Survey [16.800565615106784]
医療画像における機械学習は、しばしば基本的なジレンマに直面している。有望なソリューションとして、クロスサイトデータを共有することなく、さまざまなサイトからのデータに基づいて機械学習モデルの協調トレーニングを可能にするフェデレーション学習が近年注目を集めている。
論文参考訳（メタデータ） (2023-06-09T15:46:42Z)
Fed-BioMed: Open, Transparent and Trusted Federated Learning for Real-world Healthcare Applications [4.086864536569863]
Fed-BioMedは、Federated Learningを現実世界の医学研究アプリケーションに翻訳することを目指している。設計空間、ターゲットユーザ、ドメイン制約、そしてこれらの要因が我々の現在および将来のソフトウェアアーキテクチャにどのように影響するかを説明します。
論文参考訳（メタデータ） (2023-04-24T11:26:54Z)
Federated Learning for Medical Applications: A Taxonomy, Current Trends, Challenges, and Future Research Directions [9.662980267339375]
我々は, acFLの医学的応用, 特にグローバル癌診断の文脈に焦点をあてる。 acFLの最近の発展により、複雑な機械学習モデルを分散的に訓練することが可能になった。
論文参考訳（メタデータ） (2022-08-05T21:41:15Z)
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)
Federated Cycling (FedCy): Semi-supervised Federated Learning of Surgical Phases [57.90226879210227]
FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
論文参考訳（メタデータ） (2022-03-14T17:44:53Z)
Machine Learning Applications for Therapeutic Tasks with Genomics Data [49.98249191161107]
ゲノム学の機械学習応用に関する文献を、治療開発のレンズでレビューします。治療パイプライン全体にわたるゲノミクス応用における22の機械学習を同定する。この分野における7つの重要な課題を、拡大と影響の機会として挙げる。
論文参考訳（メタデータ） (2021-05-03T21:20:20Z)
From Distributed Machine Learning to Federated Learning: A Survey [49.7569746460225]
分散学習は、分散データとコンピューティングリソースを利用するための効率的なアプローチとして現れる。本論文では,連合学習システムの機能構造と関連手法の分類法を提案する。本稿では,flシステムの分散トレーニング,データ通信,セキュリティについて述べる。
論文参考訳（メタデータ） (2021-04-29T14:15:11Z)
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)
Surgical Data Science -- from Concepts toward Clinical Translation [67.543698133416]
外科的データサイエンスは、データの取得、組織化、分析、モデリングを通じて介入医療の質を向上させることを目的としている。私たちは、その根底にある理由を明かし、この分野における今後の進歩のロードマップを提供しました。
論文参考訳（メタデータ） (2020-10-30T14:20:16Z)

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。