論文の概要: Ensemble Federated Learning: an approach for collaborative pneumonia
diagnosis
- arxiv url: http://arxiv.org/abs/2312.07428v1
- Date: Tue, 12 Dec 2023 16:53:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-13 15:17:23.582328
- Title: Ensemble Federated Learning: an approach for collaborative pneumonia
diagnosis
- Title(参考訳): アンサンブル連合学習 : 協調型肺炎診断へのアプローチ
- Authors: Alhassan Mabrouk and Rebeca P. D\'iaz Redondo and Mohamed Abd Elaziz
and Mohammed Kayed
- Abstract要約: スマートヘルスケアシステムでは、データの交換はプライバシー上の懸念を意味し、迅速な反応が必要である。
本稿では,プライバシ保護が鍵となる第1のシナリオについて論じる。その結果,一意かつ大規模な医用画像データセットの構築は選択肢ではない。
本稿では,以下の特徴に基づくアンサンブル・フェデレーション・ラーニング(EFL)手法を提案する。
- 参考スコア(独自算出の注目度): 7.901279301392376
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated learning is a very convenient approach for scenarios where (i) the
exchange of data implies privacy concerns and/or (ii) a quick reaction is
needed. In smart healthcare systems, both aspects are usually required. In this
paper, we work on the first scenario, where preserving privacy is key and,
consequently, building a unique and massive medical image data set by fusing
different data sets from different medical institutions or research centers
(computation nodes) is not an option. We propose an ensemble federated learning
(EFL) approach that is based on the following characteristics: First, each
computation node works with a different data set (but of the same type). They
work locally and apply an ensemble approach combining eight well-known CNN
models (densenet169, mobilenetv2, xception, inceptionv3, vgg16, resnet50,
densenet121, and resnet152v2) on Chest X-ray images. Second, the best two local
models are used to create a local ensemble model that is shared with a central
node. Third, the ensemble models are aggregated to obtain a global model, which
is shared with the computation nodes to continue with a new iteration. This
procedure continues until there are no changes in the best local models. We
have performed different experiments to compare our approach with centralized
ones (with or without an ensemble approach)\color{black}. The results conclude
that our proposal outperforms these ones in Chest X-ray images (achieving an
accuracy of 96.63\%) and offers very competitive results compared to other
proposals in the literature.
- Abstract(参考訳): フェデレートラーニングはシナリオにとって非常に便利なアプローチである
(i)データの交換は、プライバシーの懸念及び/又は
(ii)迅速な反応が必要である。
スマート医療システムでは、両方の側面が通常必要です。
本稿では,プライバシの保護が鍵となる第1のシナリオについて検討し,医療機関や研究センター(計算ノード)の異なるデータセットを融合させることによる,ユニークで巨大な医療画像データセットの構築は選択肢ではない。
まず、各計算ノードが異なるデータセット(同じ型ではなく)で動作するという特徴に基づく、アンサンブル連合学習(efl)アプローチを提案する。
彼らは局所的に働き、8つの有名なcnnモデル(densenet169, mobilenetv2, xception, inceptionv3, vgg16, resnet50, densenet121, resnet152v2)を胸部x線画像に適用する。
次に、最適な2つのローカルモデルを使用して、中央ノードと共有されるローカルアンサンブルモデルを作成する。
第3に、アンサンブルモデルを集約してグローバルモデルを取得し、計算ノードと共有し、新たなイテレーションを継続する。
この手順は、最良のローカルモデルに変化がない限り継続する。
我々は,我々のアプローチを集中的なアプローチ(アンサンブルアプローチの有無に関わらず)と比較するために,異なる実験を行った。
その結果,提案手法は胸部x線画像(精度96.63\%)よりも優れており,文献の他の提案に比べて非常に競争力のある結果が得られることがわかった。
関連論文リスト
- Comparing Federated Stochastic Gradient Descent and Federated Averaging for Predicting Hospital Length of Stay [0.0]
入院期間(LOS)を確実に予測することは,病院における資源配分の効率化に不可欠である。
従来の予測モデリングツールは、医療機関がプライバシー規則を定めているため、十分なデータと多様なデータを取得するのが難しいことが多い。
このモデリング手法は、病院外の機密データを抽出することなく、異なる病院からの分散データソースをモデル化することで協調的なモデルトレーニングを促進する。
論文 参考訳(メタデータ) (2024-07-17T17:00:20Z) - Learn What You Need in Personalized Federated Learning [53.83081622573734]
$textitLearn2pFed$は、アルゴリズムに基づくパーソナライズされたフェデレーション学習フレームワークである。
我々は、textitLearn2pFed$が、従来のパーソナライズされたフェデレーション学習方法よりも大幅に優れていることを示す。
論文 参考訳(メタデータ) (2024-01-16T12:45:15Z) - Whole-brain radiomics for clustered federated personalization in brain
tumor segmentation [0.0]
本稿では,異なるスキャナの使用によって生じる特徴変化に合わせて,新しいパーソナライズアルゴリズムを提案する。
これは、各3次元画像ボリュームのグローバルなテクスチャをキャプチャする一連の放射能特徴の計算に基づいている。
論文 参考訳(メタデータ) (2023-10-17T12:33:43Z) - Federated Model Aggregation via Self-Supervised Priors for Highly
Imbalanced Medical Image Classification [31.633870207003092]
本稿では,公用自己監督型補助ネットワークを用いたクライアント間クラス間変動について検討する。
我々は,グローバルモデル最適化を導くために,自己教師付き事前制御による動的バランスの取れたモデルアグリゲーションを導出する。
論文 参考訳(メタデータ) (2023-07-27T15:52:18Z) - Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。
まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。
第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
論文 参考訳(メタデータ) (2022-09-27T15:50:31Z) - Personalizing Federated Medical Image Segmentation via Local Calibration [9.171482226385551]
ひとつのモデルを使って、異なるサイトからさまざまなデータ分布に適応することは、非常に難しい。
現場間一貫性を活用するために,textbfLocal textbfCalibration (LC-Fed) を用いたパーソナライズドフェデレーションフレームワークを提案する。
提案手法は,最先端のパーソナライズされたFL法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2022-07-11T06:30:31Z) - Federated Offline Reinforcement Learning [55.326673977320574]
マルチサイトマルコフ決定プロセスモデルを提案する。
我々は,オフラインRLを対象とした最初のフェデレーション最適化アルゴリズムを設計する。
提案アルゴリズムでは,学習ポリシーの準最適性は,データが分散していないような速度に匹敵する,理論的保証を与える。
論文 参考訳(メタデータ) (2022-06-11T18:03:26Z) - 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) - A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。
相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。
本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文 参考訳(メタデータ) (2021-05-11T16:02:39Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳(メタデータ) (2020-06-11T17:29:53Z) - Multi-site fMRI Analysis Using Privacy-preserving Federated Learning and
Domain Adaptation: ABIDE Results [13.615292855384729]
高品質なディープラーニングモデルを訓練するには,大量の患者情報を集める必要がある。
患者データのプライバシを保護する必要があるため、複数の機関から中央データベースを組み立てることは困難である。
フェデレート・ラーニング(Federated Learning)は、エンティティのデータを集中化せずに、人口レベルのモデルをトレーニングすることを可能にする。
論文 参考訳(メタデータ) (2020-01-16T04:49:33Z)
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。