論文の概要: Real-World Federated Learning in Radiology: Hurdles to overcome and Benefits to gain

• arxiv url: http://arxiv.org/abs/2405.09409v1
• Date: Wed, 15 May 2024 15:04:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-16 13:06:44.711960
• Title: Real-World Federated Learning in Radiology: Hurdles to overcome and Benefits to gain
• Title（参考訳）: 放射線学における実世界フェデレートラーニング - 乗り越えるべきハードルと利益
• Authors: Markus R. Bujotzek, Ünal Akünal, Stefan Denner, Peter Neher, Maximilian Zenk, Eric Frodl, Astha Jaiswal, Moon Kim, Nicolai R. Krekiehn, Manuel Nickel, Richard Ruppel, Marcus Both, Felix Döllinger, Marcel Opitz, Thorsten Persigehl, Jens Kleesiek, Tobias Penzkofer, Klaus Maier-Hein, Rickmer Braren, Andreas Bucher,
• Abstract要約: フェデレートラーニング(FL)は、データをローカルに保持しながら協調的なモデルトレーニングを可能にする。 現在、ラジオロジーにおけるほとんどのFL研究は、シミュレーション環境で行われている。 現実のFLイニシアチブがこれらのハードルを克服するために取られた具体的な措置を伝えることはめったにない。
• 参考スコア（独自算出の注目度）: 2.8048919658768523
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objective: Federated Learning (FL) enables collaborative model training while keeping data locally. Currently, most FL studies in radiology are conducted in simulated environments due to numerous hurdles impeding its translation into practice. The few existing real-world FL initiatives rarely communicate specific measures taken to overcome these hurdles, leaving behind a significant knowledge gap. Minding efforts to implement real-world FL, there is a notable lack of comprehensive assessment comparing FL to less complex alternatives. Materials & Methods: We extensively reviewed FL literature, categorizing insights along with our findings according to their nature and phase while establishing a FL initiative, summarized to a comprehensive guide. We developed our own FL infrastructure within the German Radiological Cooperative Network (RACOON) and demonstrated its functionality by training FL models on lung pathology segmentation tasks across six university hospitals. We extensively evaluated FL against less complex alternatives in three distinct evaluation scenarios. Results: The proposed guide outlines essential steps, identified hurdles, and proposed solutions for establishing successful FL initiatives conducting real-world experiments. Our experimental results show that FL outperforms less complex alternatives in all evaluation scenarios, justifying the effort required to translate FL into real-world applications. Discussion & Conclusion: Our proposed guide aims to aid future FL researchers in circumventing pitfalls and accelerating translation of FL into radiological applications. Our results underscore the value of efforts needed to translate FL into real-world applications by demonstrating advantageous performance over alternatives, and emphasize the importance of strategic organization, robust management of distributed data and infrastructure in real-world settings.
• Abstract（参考訳）: 目的: フェデレートラーニング(FL)は、データをローカルに保持しながら協調的なモデルトレーニングを可能にする。 現在、ラジオロジーにおけるほとんどのFL研究は、その翻訳の実践を妨げる多くのハードルのために、シミュレーション環境で実施されている。 数少ない現実のFLイニシアチブは、これらのハードルを克服するための具体的な措置をほとんど伝えておらず、大きな知識ギャップを残しています。 現実世界のFLを実装する努力を念頭に置いて、FLをより複雑な代替品と比較する包括的な評価が欠如している。 Materials & Methods: FLの文献を概観的にレビューし, FLイニシアティブを確立しつつ, その性質とフェーズに応じて知見を分類し, 総合的なガイドにまとめる。 我々は,ドイツ放射線協力ネットワーク(RACOON)内で独自のFL基盤を開発し,6つの大学病院における肺病理組織分類タスクにおけるFLモデルを訓練することにより,その機能を実証した。 FLを3つの異なる評価シナリオにおいて,より複雑な代替案に対して広範囲に評価した。 結果: 提案したガイドは,本質的なステップを概説し,ハードルを特定し,実世界の実験を行うFLイニシアチブを成功させるための解決策を提案する。 実験の結果、FLは全ての評価シナリオにおいて、より複雑な代替品よりも優れており、FLを現実世界のアプリケーションに変換するのに必要な労力を正当化していることがわかった。 考察と結論: このガイドは, 将来のFL研究者が落とし穴を回避し, FLの放射線学への翻訳を加速するのを支援することを目的としている。 本結果は,FLを現実のアプリケーションに翻訳する上で必要となる作業の価値を,代替よりも有利な性能を示すことによって評価し,戦略的組織の重要性,分散データの堅牢な管理,現実の環境におけるインフラストラクチャの重要性を強調した。

関連論文リスト

• Free-Rider and Conflict Aware Collaboration Formation for Cross-Silo Federated Learning [32.35705737668307]
  Federated Learning(FL)は、複数のFL参加者がプライベートデータを共有せずにトレーニングモデル上でコラボレーションできる機械学習パラダイムである。 我々は、FL-PTがFLエコシステムの恩恵を受ける場合に限り、FL-PTがFLの恩恵を受けることを確実にする最適なFLコラボレーション形成戦略であるFedEgoistsを提案する。 FL-PT連立が最適であることは理論的に証明する。
  論文  参考訳（メタデータ） (2024-10-25T06:13:26Z)
• Can We Theoretically Quantify the Impacts of Local Updates on the Generalization Performance of Federated Learning? [50.03434441234569]
  フェデレートラーニング(FL)は、直接データ共有を必要とせず、さまざまなサイトで機械学習モデルをトレーニングする効果により、大きな人気を集めている。 局所的な更新を伴うFLは通信効率のよい分散学習フレームワークであることが様々なアルゴリズムによって示されているが、局所的な更新によるFLの一般化性能は比較的低い。
  論文  参考訳（メタデータ） (2024-09-05T19:00:18Z)
• FedCompetitors: Harmonious Collaboration in Federated Learning with Competing Participants [41.070716405671206]
  フェデレートラーニング(FL)は、機械学習モデルの協調トレーニングのためのプライバシ保護アプローチを提供する。 データ補完性に基づいて各FL参加者に対して適切な協力者を選択することが重要である。 一部のFL-PTが競合するFL-PT間の個人間関係を考えることは必須である。
  論文  参考訳（メタデータ） (2023-12-18T17:53:01Z)
• Towards Understanding Generalization and Stability Gaps between Centralized and Decentralized Federated Learning [57.35402286842029]
  集中学習は常に分散学習(DFL)よりも一般化されていることを示す。 また、FLにおけるいくつかの一般的な設定について実験を行い、我々の理論解析が実験的な現象と一致し、いくつかの一般的なシナリオおよび実践シナリオにおいて文脈的に有効であることを示す。
  論文  参考訳（メタデータ） (2023-10-05T11:09:42Z)
• A Comprehensive View of Personalized Federated Learning on Heterogeneous Clinical Datasets [0.4926316920996346]
  フェデレートラーニング(FL)は、データサイロを克服する上で重要なアプローチである。 本研究は,臨床応用に焦点を当てたFL研究の進展に寄与する。
  論文  参考訳（メタデータ） (2023-09-28T20:12:17Z)
• Understanding How Consistency Works in Federated Learning via Stage-wise Relaxed Initialization [84.42306265220274]
  フェデレートラーニング(Federated Learning, FL)は、大規模なローカルクライアントを協調してグローバルモデルをトレーニングする分散パラダイムである。 従来の研究は、FLがローカルクライアント間の矛盾した最適性によって引き起こされるクライアント・ドリフトの問題に悩まされていることを暗黙的に研究してきた。 FLにおけるクライアントドリフトの負の影響を緩和し,その物質を探索するために,我々はまず,効率的なFLアルゴリズム textitFedInit を設計する。
  論文  参考訳（メタデータ） (2023-06-09T06:55:15Z)
• FS-Real: Towards Real-World Cross-Device Federated Learning [60.91678132132229]
  Federated Learning (FL)は、ローカルデータをアップロードすることなく、分散クライアントと協調して高品質なモデルをトレーニングすることを目的としている。 FL研究と実世界のシナリオの間には依然としてかなりのギャップがあり、主に異種デバイスの特徴とそのスケールによって引き起こされている。 本稿では,実世界横断デバイスFL,FS-Realのための効率的でスケーラブルなプロトタイピングシステムを提案する。
  論文  参考訳（メタデータ） (2023-03-23T15:37:17Z)
• When Federated Learning Meets Pre-trained Language Models' Parameter-Efficient Tuning Methods [22.16636947999123]
  フェデレート学習に様々なパラメータ効率チューニング(PETuning)手法を導入する。 具体的には,FL における代表的 PLM チューニング手法の総合的研究について述べる。 全体としての通信オーバーヘッドは、局所的なチューニングと、軽量モデルパラメータのグローバル集約によって大幅に削減できる。
  論文  参考訳（メタデータ） (2022-12-20T06:44:32Z)
• UniFed: All-In-One Federated Learning Platform to Unify Open-Source Frameworks [53.20176108643942]
  オープンソースフェデレートラーニング(FL)フレームワークを標準化する最初の統一プラットフォームであるUniFedを紹介します。 UniFedは、分散実験とデプロイメントのためのエンドツーエンドワークフローを合理化し、11の人気のあるオープンソースFLフレームワークを含んでいる。 機能、プライバシ保護、パフォーマンスの観点から、11の人気のあるFLフレームワークを評価し比較する。
  論文  参考訳（メタデータ） (2022-07-21T05:03:04Z)
• FederatedScope: A Comprehensive and Flexible Federated Learning Platform via Message Passing [63.87056362712879]
  我々は,メッセージ指向フレームワークを基盤とした,新しい総合的なフェデレート学習プラットフォームであるFederatedScopeを提案する。 手続き型フレームワークと比較して、提案されたメッセージ指向フレームワークは異種メッセージ交換を表現するのに柔軟である。 我々は、FederatedScopeの正確性と効率性を検証するために、提供された簡易かつ包括的なFLベンチマークについて一連の実験を行った。
  論文  参考訳（メタデータ） (2022-04-11T11:24:21Z)

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。