Fugu-MT 論文翻訳(概要): Federated Survival Forests

論文の概要: Federated Survival Forests

arxiv url: http://arxiv.org/abs/2302.02807v2
Date: Mon, 7 Aug 2023 07:43:37 GMT
ステータス: 処理完了
システム内更新日: 2023-08-09 00:09:08.493480
Title: Federated Survival Forests
Title（参考訳）: フェデレーション・サバイバル・フォレスト
Authors: Alberto Archetti, Matteo Matteucci
Abstract要約: 本稿では,最も成功した生存モデルであるランダム生存林に基づく生存分析のための新しいアルゴリズムを提案する。単一のコミュニケーションラウンドでFedSurFは、数百回のイテレーションでトレーニングされたディープラーニングベースのフェデレーションモデルに匹敵する差別的なパワーを得る。
参考スコア（独自算出の注目度）: 9.413131350284083
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Survival analysis is a subfield of statistics concerned with modeling the occurrence time of a particular event of interest for a population. Survival analysis found widespread applications in healthcare, engineering, and social sciences. However, real-world applications involve survival datasets that are distributed, incomplete, censored, and confidential. In this context, federated learning can tremendously improve the performance of survival analysis applications. Federated learning provides a set of privacy-preserving techniques to jointly train machine learning models on multiple datasets without compromising user privacy, leading to a better generalization performance. However, despite the widespread development of federated learning in recent AI research, few studies focus on federated survival analysis. In this work, we present a novel federated algorithm for survival analysis based on one of the most successful survival models, the random survival forest. We call the proposed method Federated Survival Forest (FedSurF). With a single communication round, FedSurF obtains a discriminative power comparable to deep-learning-based federated models trained over hundreds of federated iterations. Moreover, FedSurF retains all the advantages of random forests, namely low computational cost and natural handling of missing values and incomplete datasets. These advantages are especially desirable in real-world federated environments with multiple small datasets stored on devices with low computational capabilities. Numerical experiments compare FedSurF with state-of-the-art survival models in federated networks, showing how FedSurF outperforms deep-learning-based federated algorithms in realistic environments with non-identically distributed data.
Abstract（参考訳）: サバイバル分析(Survival analysis)は、人口に対する特定の関心事の発生時刻をモデル化する統計のサブフィールドである。生存分析は医療、工学、社会科学に広く応用された。しかし、現実世界のアプリケーションは、分散、不完全、検閲、機密のサバイバルデータセットを含む。この文脈では、連合学習は生存分析アプリケーションの性能を大幅に向上させることができる。フェデレーション学習は、ユーザのプライバシを損なうことなく、複数のデータセット上で機械学習モデルを共同でトレーニングする、一連のプライバシ保護技術を提供する。しかし、近年のai研究における連合学習の広範な発展にもかかわらず、連合生存分析に焦点を当てた研究は少ない。本研究では,最も成功した生存モデルであるランダム生存林に基づく生存分析のための新しいフェデレーションアルゴリズムを提案する。提案手法をFedSurF(Federated Survival Forest)と呼ぶ。単一のコミュニケーションラウンドによって、federfは数百のフェデレーションでトレーニングされたディープラーニングベースのフェデレーションモデルに匹敵する識別能力を得る。さらに、FedSurFはランダムな森林の利点、すなわち計算コストの低いことと、不足した値と不完全なデータセットの自然な処理を全て保持する。これらの利点は、計算能力の低いデバイスに複数の小さなデータセットを格納した現実世界のフェデレーション環境で特に望ましい。数値実験により、FedSurFとフェデレーションネットワークの最先端サバイバルモデルを比較し、FedSurFが非同一分散データを用いた現実的な環境でのディープラーニングベースのフェデレーションアルゴリズムよりも優れていることを示す。

関連論文リスト

Developing Federated Time-to-Event Scores Using Heterogeneous Real-World Survival Data [8.3734832069509]
既存のサバイバルスコアの構築方法は、データが単一のソースに由来することを前提としている。本稿では,多地点生存のための統合スコアリングシステムを構築するための新しいフレームワークを提案する。参加者各サイトからのデータセットのテストにおいて,提案するフェデレーションスコアリングシステムは,すべての局所モデルより一貫して優れていた。
論文参考訳（メタデータ） (2024-03-08T11:32:00Z)
FedRSU: Federated Learning for Scene Flow Estimation on Roadside Units [53.1239718589536]
ロードサイドユニット(RSU)は、V2X通信を通じて、自動運転車の安全性とロバスト性を大幅に向上させることができる。現在、単一のRSUの使用は主にリアルタイム推論とV2Xコラボレーションに焦点を当てている。多数のRSUから大量のデータを統合することで、モデルトレーニングのための豊富なデータソースを提供することができます。我々は,自己監督型シーンフロー推定のための革新的なフェデレート学習フレームワークであるFedRSUを紹介する。
論文参考訳（メタデータ） (2024-01-23T15:52:57Z)
Factor-Assisted Federated Learning for Personalized Optimization with Heterogeneous Data [6.024145412139383]
フェデレートラーニング(Federated Learning)は、データプライバシ保護を目的とした、新興の分散機械学習フレームワークである。異なるクライアントのデータには、共通の知識とパーソナライズされた知識の両方が含まれている。我々は、FedSplitと呼ばれる異種データのための、新しい個人化されたフェデレーション学習フレームワークを開発した。
論文参考訳（メタデータ） (2023-12-07T13:05:47Z)
Scaling Survival Analysis in Healthcare with Federated Survival Forests: A Comparative Study on Heart Failure and Breast Cancer Genomics [7.967995669387532]
現実世界のアプリケーションでは、生存データは不完全、検閲、分散、機密であることが多い。我々はFedSurF++と呼ばれるFederated Survival Forestアルゴリズムの拡張を提案する。
論文参考訳（メタデータ） (2023-08-04T15:25:56Z)
Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
論文参考訳（メタデータ） (2023-07-12T16:28:21Z)
Heterogeneous Datasets for Federated Survival Analysis Simulation [6.489759672413373]
本研究では、既存の非フェデレーションデータセットから再現可能な方法で開始することで、現実的な異種データセットを構築する新しい手法を提案する。具体的には、ディリクレ分布に基づく2つの新しいデータセット分割アルゴリズムを提供し、各データサンプルを慎重に選択したクライアントに割り当てる。提案手法の実装は,フェデレートされた環境をシミュレートしてサバイバル分析を行うことを推奨し,広く普及している。
論文参考訳（メタデータ） (2023-01-28T11:37:07Z)
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)
Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
論文参考訳（メタデータ） (2021-11-28T19:03:39Z)
Concept drift detection and adaptation for federated and continual learning [55.41644538483948]
スマートデバイスは環境から大量のデータを収集することができる。このデータは機械学習モデルのトレーニングに適しており、その振る舞いを大幅に改善することができる。そこで本研究では,Concept-Drift-Aware Federated Averagingと呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2021-05-27T17:01:58Z)
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)

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。