論文の概要: FedMLP: Federated Multi-Label Medical Image Classification under Task Heterogeneity
- arxiv url: http://arxiv.org/abs/2406.18995v1
- Date: Thu, 27 Jun 2024 08:36:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-28 14:47:16.747610
- Title: FedMLP: Federated Multi-Label Medical Image Classification under Task Heterogeneity
- Title（参考訳）: FedMLP:タスク不均一性を考慮した多ラベル医用画像分類
- Authors: Zhaobin Sun, Nannan Wu, Junjie Shi, Li Yu, Xin Yang, Kwang-Ting Cheng, Zengqiang Yan,
- Abstract要約: クロスサイロ・フェデレーション・ラーニング(FL)は、分散化された組織がデータのプライバシを保持しながら、協力的にモデルをトレーニングすることを可能にする。
擬似ラベルタグ付けとグローバル知識学習という2つの側面から欠落したクラスに対処する2段階のFedMLPを提案する。
公的に利用可能な2つの医療データセットの実験は、FedMLPの最先端の半教師付きおよびノイズの多いラベル学習アプローチに対する優位性を検証する。
- 参考スコア（独自算出の注目度）: 30.49607763632271
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cross-silo federated learning (FL) enables decentralized organizations to collaboratively train models while preserving data privacy and has made significant progress in medical image classification. One common assumption is task homogeneity where each client has access to all classes during training. However, in clinical practice, given a multi-label classification task, constrained by the level of medical knowledge and the prevalence of diseases, each institution may diagnose only partial categories, resulting in task heterogeneity. How to pursue effective multi-label medical image classification under task heterogeneity is under-explored. In this paper, we first formulate such a realistic label missing setting in the multi-label FL domain and propose a two-stage method FedMLP to combat class missing from two aspects: pseudo label tagging and global knowledge learning. The former utilizes a warmed-up model to generate class prototypes and select samples with high confidence to supplement missing labels, while the latter uses a global model as a teacher for consistency regularization to prevent forgetting missing class knowledge. Experiments on two publicly-available medical datasets validate the superiority of FedMLP against the state-of-the-art both federated semi-supervised and noisy label learning approaches under task heterogeneity. Code is available at https://github.com/szbonaldo/FedMLP.
- Abstract（参考訳）: クロスサイロ・フェデレーション・ラーニング(FL)は、分散化された組織がデータのプライバシを維持しながらモデルを協調的にトレーニングすることを可能にし、医療画像分類において大きな進歩を遂げた。
ひとつの一般的な前提は、トレーニング中に各クライアントがすべてのクラスにアクセス可能なタスク均質性である。
しかし、臨床実践においては、医療知識のレベルと病気の頻度に制約された多ラベル分類タスクが与えられた場合、各機関は部分的なカテゴリのみを診断し、タスクの不均一性をもたらす可能性がある。
タスクの不均一性に基づく効果的なマルチラベル医用画像分類の追求について検討する。
本稿では,まず,マルチラベルFLドメインにおける現実的なラベル不足設定を定式化し,擬似ラベルタグ付けとグローバル知識学習という2つの側面から欠落したクラスと戦うための2段階のFedMLPを提案する。
前者は、ウォームアップモデルを使用して、クラスプロトタイプを生成し、信頼性の高いサンプルを選択して、欠落したラベルを補う一方、後者は、欠落したクラス知識を忘れないように、一貫性のある正規化の教師としてグローバルモデルを使用している。
2つの公開可能な医療データセットの実験は、タスクの不均一性の下でのフェデラルな半教師付きおよびノイズの多いラベル学習アプローチに対するFedMLPの優位性を検証する。
コードはhttps://github.com/szbonaldo/FedMLP.comで入手できる。
関連論文リスト
- Rethinking Semi-Supervised Federated Learning: How to co-train
fully-labeled and fully-unlabeled client imaging data [6.322831694506287]
分離フェデレートラーニング(IsoFed)は、半教師付きフェデレートラーニング(SSFL)に特化して設計されたラーニングスキームである。
本稿では,教師付きモデルと半教師付きモデルの簡易な平均化を回避し,SSFLに特化して設計した新しい学習手法を提案する。
特に、我々のトレーニングアプローチは、(a)ラベル付きおよびラベルなしのクライアントモデルの独立したアグリゲーションと、(b)すべてのクライアントで独立したグローバルモデルのローカルな自己教師付き事前トレーニングという2つの部分で構成されています。
論文 参考訳（メタデータ） (2023-10-28T20:41:41Z) - Scale Federated Learning for Label Set Mismatch in Medical Image
Classification [4.344828846048128]
フェデレートラーニング(FL)は、分散型ラーニングパラダイムとして医療分野に導入されている。
これまでのほとんどの研究は、全てのクライアントが同一のラベルセットを持っていると仮定している。
本稿では,ラベルセットミスマッチの問題を解決するためのフレームワークFedLSMを提案する。
論文 参考訳（メタデータ） (2023-04-14T05:32:01Z) - Learning Discriminative Representation via Metric Learning for
Imbalanced Medical Image Classification [52.94051907952536]
本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。
主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
論文 参考訳（メタデータ） (2022-07-14T14:57:01Z) - Test-time Adaptation with Calibration of Medical Image Classification
Nets for Label Distribution Shift [24.988087560120366]
医用画像分類のためのラベルシフトに最初に取り組む手法を提案する。
本手法は,1つのトレーニングラベル分布から学習したモデルを任意の未知のテストラベル分布に効果的に適用する。
肝線維症ステージングと重症度予測の2つの重要な医用画像分類タスクについて,本手法の有効性を検証した。
論文 参考訳（メタデータ） (2022-07-02T07:55:23Z) - Learning Underrepresented Classes from Decentralized Partially Labeled
Medical Images [11.500033811355062]
フェデレーショントレーニングに分散データを使用することは、医療領域におけるデータ不足を軽減するための新たな研究方向のひとつとして期待されている。
本稿では,未表現のクラスにラベル付きインスタンスがほとんど存在しないような,実用的だが未探索の問題を考察する。
標準フェデレーション学習手法は, クラス不均衡が極端に大きい, 頑健なマルチラベル分類器を学習できないことを示す。
論文 参考訳（メタデータ） (2022-06-30T15:28:18Z) - ACPL: Anti-curriculum Pseudo-labelling forSemi-supervised Medical Image
Classification [22.5935068122522]
我々は、反キュリキュラム擬似ラベリング(ACPL)と呼ばれる新しいSSLアルゴリズムを提案する。
ACPLは、情報のないサンプルを選択するための新しいテクニックを導入し、トレーニングバランスを改善し、マルチラベルとマルチクラスの両方でモデルが動作できるようにする。
本手法は, 従来のSOTA SSL方式よりも優れていた。
論文 参考訳（メタデータ） (2021-11-25T05:31:52Z) - Federated Semi-supervised Medical Image Classification via Inter-client
Relation Matching [58.26619456972598]
フェデレートラーニング(FL)は、ディープ・ネットワークのトレーニングのために、分散医療機関とのコラボレーションで人気が高まっている。
本報告では,実践的かつ困難なFL問題であるtextitFederated Semi-supervised Learning (FSSL)について検討する。
本稿では, 従来の整合性正規化機構を改良し, クライアント間関係マッチング方式を提案する。
論文 参考訳（メタデータ） (2021-06-16T07:58:00Z) - Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive
Person Re-Identification [64.37745443119942]
本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。
3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
論文 参考訳（メタデータ） (2020-07-21T14:31:27Z) - Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。
クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。
提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
論文 参考訳（メタデータ） (2020-07-05T11:49:17Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z) - Unsupervised Person Re-identification via Multi-label Classification [55.65870468861157]
本稿では,教師なしのReIDを多ラベル分類タスクとして定式化し,段階的に真のラベルを求める。
提案手法は,まず,各人物画像に単一クラスラベルを割り当てることから始まり,ラベル予測のために更新されたReIDモデルを活用することで,多ラベル分類へと進化する。
マルチラベル分類におけるReIDモデルのトレーニング効率を高めるために,メモリベースマルチラベル分類損失(MMCL)を提案する。
論文 参考訳（メタデータ） (2020-04-20T12:13:43Z)
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。