Fugu-MT 論文翻訳(概要): Split Learning for Distributed Collaborative Training of Deep Learning Models in Health Informatics

論文の概要: Split Learning for Distributed Collaborative Training of Deep Learning Models in Health Informatics

arxiv url: http://arxiv.org/abs/2308.11027v1
Date: Mon, 21 Aug 2023 20:30:51 GMT
ステータス: 処理完了
システム内更新日: 2023-08-23 14:04:18.545699
Title: Split Learning for Distributed Collaborative Training of Deep Learning Models in Health Informatics
Title（参考訳）: 健康情報学におけるディープラーニングモデルの分散協調学習のための分割学習
Authors: Zhuohang Li, Chao Yan, Xinmeng Zhang, Gharib Gharibi, Zhijun Yin, Xiaoqian Jiang, Bradley A. Malin
Abstract要約: 分割学習は、異なる、あるいはプライベートにメンテナンスされた健康データセット間で、ディープラーニングモデルの協調トレーニングを可能にする方法を示す。従来のフェデレーション学習と比較して高いレベルのプライバシを提供する,新たなプライバシ保護分散学習フレームワークを導入する。
参考スコア（独自算出の注目度）: 20.72616921953282
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Deep learning continues to rapidly evolve and is now demonstrating remarkable potential for numerous medical prediction tasks. However, realizing deep learning models that generalize across healthcare organizations is challenging. This is due, in part, to the inherent siloed nature of these organizations and patient privacy requirements. To address this problem, we illustrate how split learning can enable collaborative training of deep learning models across disparate and privately maintained health datasets, while keeping the original records and model parameters private. We introduce a new privacy-preserving distributed learning framework that offers a higher level of privacy compared to conventional federated learning. We use several biomedical imaging and electronic health record (EHR) datasets to show that deep learning models trained via split learning can achieve highly similar performance to their centralized and federated counterparts while greatly improving computational efficiency and reducing privacy risks.
Abstract（参考訳）: 深層学習は急速に進化し続けており、多くの医学的予測タスクに顕著な可能性を示している。しかし、医療機関全体で一般化するディープラーニングモデルの実現は難しい。これは部分的には、これらの組織の本質的なサイロ化と患者のプライバシー要件によるものだ。この問題に対処するために,スプリット・ラーニングによって,個別および個別に保持された健康データセット間でのディープラーニングモデルの協調的トレーニングを実現するとともに,オリジナルのレコードとモデルパラメータをプライベートに保持することが可能である。従来のフェデレーション学習に比べて高いレベルのプライバシを提供する,新たなプライバシ保護分散学習フレームワークを導入する。本研究では,ehr(biomedical imaging and electronic health record)データセットを用いて,分散学習で学習したディープラーニングモデルが,集中型および連合型モデルと非常によく似たパフォーマンスを実現し,計算効率を大幅に向上し,プライバシリスクを低減できることを示す。

関連論文リスト

Improving the Classification Effect of Clinical Images of Diseases for Multi-Source Privacy Protection [0.0]
医療分野におけるプライバシーデータ保護は、データ共有に課題をもたらす。従来の集中型トレーニング手法は、プライバシー保護原則に違反しているため、適用が難しい。データベクトルに基づく医療プライバシデータトレーニングフレームワークを提案する。
論文参考訳（メタデータ） (2024-08-23T12:52:24Z)
Leveraging Federated Learning for Automatic Detection of Clopidogrel Treatment Failures [0.8132630541462695]
本研究では,クロピドッグレル処理障害検出のためのフェデレーション学習戦略を活用する。地理的中心に基づいてデータを分割し,フェデレート学習の性能を評価した。クロピドッグレル治療障害検出におけるフェデレート学習の可能性について検討した。
論文参考訳（メタデータ） (2024-03-05T23:31:07Z)
Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2023-06-15T17:55:05Z)
Decentralized Distributed Learning with Privacy-Preserving Data Synthesis [9.276097219140073]
医療分野では、患者と臨床データの均一性を生かして、多施設共同研究がより一般化可能な発見をもたらすことがしばしばある。最近のプライバシー規制は、データの共有を妨げ、その結果、診断と予後をサポートする機械学習ベースのソリューションを考案する。ローカルノードの機能を統合する分散分散手法を提案し、プライバシを維持しながら複数のデータセットをまたいで一般化可能なモデルを提供する。
論文参考訳（メタデータ） (2022-06-20T23:49:38Z)
Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
論文参考訳（メタデータ） (2022-04-28T08:41:51Z)
LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文参考訳（メタデータ） (2022-04-12T12:25:05Z)
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)
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)
Federated Learning for Multi-Center Imaging Diagnostics: A Study in Cardiovascular Disease [0.8687046723936027]
心臓血管磁気共鳴(CMR)のモダリティに関する第1回フェデレート学習研究について紹介する。我々は、肥大型心筋症(HCM)の診断に焦点を当て、M&MデータセットとACDCデータセットのサブセットから派生した4つのセンターを使用する。データのサイズが小さい(4つのセンターから180の被験者を抽出)にもかかわらず、プライバシ保護のためのフェデレーション学習が有望な結果をもたらすことを示す。
論文参考訳（メタデータ） (2021-07-07T08:54:08Z)
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)
Automated Pancreas Segmentation Using Multi-institutional Collaborative Deep Learning [9.727026678755678]
本研究では,実世界における2つの機関間の連携学習を用いて,モデルを協調的に訓練する方法について検討する。フェデレーション学習と局所訓練のみで得られたセグメンテーションモデルを定量的に比較した。実験結果から,フェデレーション学習モデルはスタンドアロン学習よりも一般化性が高いことがわかった。
論文参考訳（メタデータ） (2020-09-28T08:54:10Z)

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。