論文の概要: Cross-device Federated Learning for Mobile Health Diagnostics: A First
Study on COVID-19 Detection
- arxiv url: http://arxiv.org/abs/2303.07067v1
- Date: Mon, 13 Mar 2023 12:42:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 15:08:46.862735
- Title: Cross-device Federated Learning for Mobile Health Diagnostics: A First
Study on COVID-19 Detection
- Title（参考訳）: モバイル健康診断のためのデバイス間フェデレーション学習 : COVID-19検出に関する最初の研究
- Authors: Tong Xia, Jing Han, Abhirup Ghosh, Cecilia Mascolo
- Abstract要約: フェデレートラーニング(FL)は、健康診断モデルに多数の個人用エッジデバイスからのデータを組み込むことができる。
このような医療診断のためのデバイス横断FLアプローチは、ローカルデータ不均衡とグローバルデータ不均衡の両方のために、依然として多くの課題を課している。
健康診断のためのクロスデバイスFLフレームワークであるFedLossを提案する。
- 参考スコア（独自算出の注目度）: 17.60965121379399
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated learning (FL) aided health diagnostic models can incorporate data
from a large number of personal edge devices (e.g., mobile phones) while
keeping the data local to the originating devices, largely ensuring privacy.
However, such a cross-device FL approach for health diagnostics still imposes
many challenges due to both local data imbalance (as extreme as local data
consists of a single disease class) and global data imbalance (the disease
prevalence is generally low in a population). Since the federated server has no
access to data distribution information, it is not trivial to solve the
imbalance issue towards an unbiased model. In this paper, we propose FedLoss, a
novel cross-device FL framework for health diagnostics. Here the federated
server averages the models trained on edge devices according to the predictive
loss on the local data, rather than using only the number of samples as
weights. As the predictive loss better quantifies the data distribution at a
device, FedLoss alleviates the impact of data imbalance. Through a real-world
dataset on respiratory sound and symptom-based COVID-$19$ detection task, we
validate the superiority of FedLoss. It achieves competitive COVID-$19$
detection performance compared to a centralised model with an AUC-ROC of
$79\%$. It also outperforms the state-of-the-art FL baselines in sensitivity
and convergence speed. Our work not only demonstrates the promise of federated
COVID-$19$ detection but also paves the way to a plethora of mobile health
model development in a privacy-preserving fashion.
- Abstract（参考訳）: フェデレーション学習(fl)支援健康診断モデルは、多くのパーソナルエッジデバイス(携帯電話など)からのデータを取り込んで、元のデバイスにローカルに保持し、プライバシを確保することができる。
しかしながら、このような医療診断のためのクロスデバイスflアプローチは、ローカルデータの不均衡(ローカルデータが単一の疾患クラスで構成されている場合など)とグローバルデータ不均衡(一般的には人口において疾患の有病率が低い)の両方のために、依然として多くの課題を課している。
フェデレーションサーバはデータ配信情報にアクセスできないため、偏りのないモデルに対する不均衡問題を解決することは容易ではない。
本稿では,医療診断のためのクロスデバイスFLフレームワークであるFedLossを提案する。
ここで、フェデレーションサーバは、サンプル数だけを重みとして使うのではなく、ローカルデータの予測損失に応じてエッジデバイスでトレーニングされたモデルを平均化する。
予測損失がデバイスのデータ分布をより定量化するので、federosはデータの不均衡の影響を軽減する。
実際の呼吸音のデータセットと症状に基づくCOVID-19ドルの検出タスクを通じて、FedLossの優位性を検証する。
AUC-ROCが79.5%の集中型モデルと比較して、競争力のあるCOVID-19$検出性能を実現している。
また、最先端のflベースラインを感度と収束速度で上回っている。
われわれの研究は、新型コロナウイルス(COVID-19)の19ドル検出の約束を実証するだけでなく、プライバシー保護という形で、モバイルの健康モデル開発への道を開いた。
関連論文リスト
- FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。
機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。
本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
論文 参考訳（メタデータ） (2024-10-28T02:24:01Z) - Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。
最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。
我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
論文 参考訳（メタデータ） (2023-06-05T04:34:54Z) - Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。
デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。
本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文 参考訳（メタデータ） (2022-09-01T03:27:33Z) - Federated Self-Supervised Contrastive Learning and Masked Autoencoder
for Dermatological Disease Diagnosis [15.20791611477636]
皮膚科疾患の診断において, 移動皮膚科補助医が収集した個人データは, 患者の移動体に分散して存在する。
本稿では,ラベルが限定された皮膚疾患診断のための2つの自己指導型学習フレームワークを提案する。
皮膚疾患データセットの実験は、最先端のフレームワークよりも提案したフレームワークの精度が優れていることを示している。
論文 参考訳（メタデータ） (2022-08-24T02:49:35Z) - Federated Contrastive Learning for Dermatological Disease Diagnosis via
On-device Learning [15.862924197017264]
限られたラベルを用いた皮膚疾患診断のためのオンデバイスフレームワークを提案する。
提案フレームワークは, 皮膚疾患診断のリコールと精度を, 最先端の方法と比較して効果的に改善する。
論文 参考訳（メタデータ） (2022-02-14T01:11:44Z) - 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) - Reliable and Trustworthy Machine Learning for Health Using Dataset Shift
Detection [7.263558963357268]
予測不能なMLモデルの振る舞いは、特に健康領域において、その安全性に対する深刻な懸念を引き起こす。
マハラノビス距離およびグラム行列に基づく分布外検出法は,分布外データを高精度に検出できることを示す。
次に、アウト・オブ・ディストリビューションスコアを人間の解釈可能なConFIDENCE SCOREに変換し、ユーザーの健康MLアプリケーションとのインタラクションに与える影響を調査する。
論文 参考訳（メタデータ） (2021-10-26T20:49:01Z) - Medical data wrangling with sequential variational autoencoders [5.9207487081080705]
本稿では,逐次変分オートエンコーダ(vaes)を用いた異種データ型とバースト欠落データを用いた医療データ記録のモデル化を提案する。
GP-VAEモデルより計算複雑性が低く,両指標を用いた場合,Shi-VAEが最高の性能を発揮することを示す。
論文 参考訳（メタデータ） (2021-03-12T10:59:26Z) - 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) - A Data-Efficient Deep Learning Based Smartphone Application For
Detection Of Pulmonary Diseases Using Chest X-rays [0.0]
アプリはモバイルカメラから撮影したChest X-Rayイメージを入力し、クラウドプラットフォームのAIアーキテクチャにリレーする。
スマートフォンの医師はこのアプリケーションを利用すれば、新型コロナウイルス(COVID-19)の診断に要する時間を大幅に節約できる。
論文 参考訳（メタデータ） (2020-08-19T04:28:17Z) - Inverse Distance Aggregation for Federated Learning with Non-IID Data [48.48922416867067]
近年,フェデレートラーニング(FL)は医用画像の分野で有望なアプローチである。
FLにおける重要な問題は、特に医療シナリオにおいて、ノイズの多い分散クライアントやアウトオブディストリビューションクライアントに対して堅牢な、より正確な共有モデルを持つことである。
非平衡データと非IDデータを扱うメタ情報に基づく新しい適応重み付け手法であるIDAを提案する。
論文 参考訳（メタデータ） (2020-08-17T23:20:01Z)
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。