Fugu-MT 論文翻訳(概要): Non-parametric regularization for class imbalance federated medical image classification

論文の概要: Non-parametric regularization for class imbalance federated medical image classification

arxiv url: http://arxiv.org/abs/2407.12446v1
Date: Wed, 17 Jul 2024 09:54:28 GMT
ステータス: 処理完了
システム内更新日: 2024-07-18 17:37:53.484163
Title: Non-parametric regularization for class imbalance federated medical image classification
Title（参考訳）: 非パラメトリック規則化による非バランス型医用画像分類
Authors: Jeffry Wicaksana, Zengqiang Yan, Kwang-Ting Cheng,
Abstract要約: フェデレートラーニング(FL)は、異なる医療クライアントがプライバシーに敏感なデータを共有せずに、ディープモデルを協調的にトレーニングできるようにすることによって、前者に対処する。我々は,FedNPRとFedNPRのパーソナライズ版であるFedNPRとFedNPR-Perを併用して,特徴抽出器を正規化し,特徴空間における有用かつ識別的な信号を強化するフェデレーション学習を提案する。
参考スコア（独自算出の注目度）: 32.00952232688697
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Limited training data and severe class imbalance pose significant challenges to developing clinically robust deep learning models. Federated learning (FL) addresses the former by enabling different medical clients to collaboratively train a deep model without sharing privacy-sensitive data. However, class imbalance worsens due to variation in inter-client class distribution. We propose federated learning with non-parametric regularization (FedNPR and FedNPR-Per, a personalized version of FedNPR) to regularize the feature extractor and enhance useful and discriminative signal in the feature space. Our extensive experiments show that FedNPR outperform the existing state-of-the art FL approaches in class imbalance skin lesion classification and intracranial hemorrhage identification. Additionally, the non-parametric regularization module consistently improves the performance of existing state-of-the-art FL approaches. We believe that NPR is a valuable tool in FL under clinical settings.
Abstract（参考訳）: 限られたトレーニングデータと重度のクラス不均衡は、臨床的に堅牢なディープラーニングモデルを開発する上で大きな課題となる。フェデレートラーニング(FL)は、異なる医療クライアントがプライバシーに敏感なデータを共有せずに、ディープモデルを協調的にトレーニングできるようにすることによって、前者に対処する。しかし、クラス間のクラス分布の変化により、クラス不均衡が悪化する。我々は,FedNPRとFedNPRのパーソナライズ版であるFedNPRとFedNPR-Perを併用して,特徴抽出器を正規化し,特徴空間における有用かつ識別的な信号を強化するフェデレーション学習を提案する。以上の結果より,FedNPRは非バランスな皮膚病変の分類や頭蓋内出血の同定において,既存のFLアプローチよりも優れていたことが示唆された。さらに、非パラメトリック正規化モジュールは、既存の最先端FLアプローチの性能を一貫して改善する。臨床的条件下では,NPRはFLにとって貴重なツールであると考えられる。

関連論文リスト

FairFML: Fair Federated Machine Learning with a Case Study on Reducing Gender Disparities in Cardiac Arrest Outcome Prediction [10.016644624468762]
本稿では,Fair Federated Machine Learning (FairFML)について紹介する。概念実証として,心停止予測における性差の低減を目的とした実世界の臨床ケーススタディを用いて,FairFMLを検証した。その結果,FairFMLは局所モデルと集中モデルの両方に匹敵する性能を維持しながら,集中モデルと比較して最大65%のモデルフェアネス向上を実現していることがわかった。
論文参考訳（メタデータ） (2024-10-07T13:02:04Z)
Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文参考訳（メタデータ） (2023-08-31T00:36:10Z)
Federated Neuro-Symbolic Learning [39.04545654772026]
FL通信媒体として潜伏変数を用いたFedNSL(Federated Neuro-Symbolic Learning framework)を提案する。 FedNSLは、単純で効果的なKullback-Leibler(KL)分散制約によって規則分布を特定し、対処することができる。合成データと実世界のデータに基づく大規模な実験は、5つの最先端手法と比較して、FedNSLの顕著な優位性を示している。
論文参考訳（メタデータ） (2023-08-29T14:20:17Z)
FCA: Taming Long-tailed Federated Medical Image Classification by Classifier Anchoring [26.07488492998861]
フェデレートラーニング(Federated Learning)は、データを共有することなく、ディープモデルを協調的にトレーニングすることを可能にする。我々は、各クライアントにパーソナライズされた分類器を追加して、フェデレーションモデルのガイドとデバイアスを行うことにより、フェデレーション分類器アンカー(FCA)を提案する。 FCAは、連合型長い尾状皮膚病変の分類と頭蓋内出血の分類において、大きなマージンを有する最先端の方法よりも優れている。
論文参考訳（メタデータ） (2023-05-01T09:36:48Z)
FedIIC: Towards Robust Federated Learning for Class-Imbalanced Medical Image Classification [29.69137726688905]
本稿では,FedIICというプライバシ保護型フェデレーション学習(FL)手法を提案する。特徴学習では、2段階のコントラスト学習が、FLで不均衡なデータを用いてより優れたクラス特化特徴を抽出するように設計されている。分類器学習では、クラスごとのマージンはリアルタイムの難易度とクラス優先度に応じて動的に設定され、モデルがクラスを等しく学習するのに役立つ。
論文参考訳（メタデータ） (2022-06-28T07:37:38Z)
Dynamic Bank Learning for Semi-supervised Federated Image Diagnosis with Class Imbalance [65.61909544178603]
クラス不均衡半教師付きFL(imFed-Semi)の実用的かつ困難な問題について検討する。このImFed-Semi問題は、クラス比例情報を利用してクライアントトレーニングを改善する新しい動的銀行学習方式によって解決される。 25,000個のCTスライスによる頭蓋内出血診断と10,015個の皮膚内視鏡画像による皮膚病変診断の2つの公開実世界の医療データセットに対するアプローチを評価した。
論文参考訳（メタデータ） (2022-06-27T06:51:48Z)
Deep Reinforcement Learning for Multi-class Imbalanced Training [64.9100301614621]
我々は、極めて不均衡なデータセットをトレーニングするために、強化学習に基づく不均衡な分類フレームワークを導入する。特注報酬関数とエピソード学習手順を定式化し、特にマルチクラス不均衡トレーニングを扱えるようにした。実世界の臨床ケーススタディを用いて,提案手法が現状の非バランス学習法より優れていることを示す。
論文参考訳（メタデータ） (2022-05-24T13:39:59Z)
MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
論文参考訳（メタデータ） (2022-05-03T14:06:03Z)
Distribution-Free Federated Learning with Conformal Predictions [0.0]
フェデレートラーニングは、患者のプライバシーを維持しながら、別々の機関のデータセットを活用することを目的としている。キャリブレーションの低さと解釈可能性の欠如は、フェデレートされたモデルの臨床実践への広範な展開を妨げる可能性がある。本稿では,適応型コンフォメーション・フレームワークを連携学習に組み込むことにより,これらの課題に対処することを提案する。
論文参考訳（メタデータ） (2021-10-14T18:41:17Z)
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)
Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
論文参考訳（メタデータ） (2021-03-07T03:10:32Z)

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。