Fugu-MT 論文翻訳(概要): Comparing Federated Stochastic Gradient Descent and Federated Averaging for Predicting Hospital Length of Stay

論文の概要: Comparing Federated Stochastic Gradient Descent and Federated Averaging for Predicting Hospital Length of Stay

arxiv url: http://arxiv.org/abs/2407.12741v1
Date: Wed, 17 Jul 2024 17:00:20 GMT
ステータス: 処理完了
システム内更新日: 2024-07-18 16:16:05.185638
Title: Comparing Federated Stochastic Gradient Descent and Federated Averaging for Predicting Hospital Length of Stay
Title（参考訳）: 入院患者の入院期間予測における統合確率勾配とフェデレーション平均の比較
Authors: Mehmet Yigit Balik,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Predicting hospital length of stay (LOS) reliably is an essential need for efficient resource allocation at hospitals. Traditional predictive modeling tools frequently have difficulty acquiring sufficient and diverse data because healthcare institutions have privacy rules in place. In our study, we modeled this problem as an empirical graph where nodes are the hospitals. This modeling approach facilitates collaborative model training by modeling decentralized data sources from different hospitals without extracting sensitive data outside of hospitals. A local model is trained on a node (hospital) by aiming the generalized total variation minimization (GTVMin). Moreover, we implemented and compared two different federated learning optimization algorithms named federated stochastic gradient descent (FedSGD) and federated averaging (FedAVG). Our results show that federated learning enables accurate prediction of hospital LOS while addressing privacy concerns without extracting data outside healthcare institutions.
Abstract（参考訳）: 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。本研究では, この問題を, ノードが病院である経験的グラフとしてモデル化した。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。局所モデルは、一般化総変分最小化(GTVMin)を目指して、ノード(ホスピタル)上で訓練される。さらに,フェデレート確率勾配勾配(FedSGD)とフェデレーション平均化(FedAVG)という2つの異なるフェデレーション学習最適化アルゴリズムを実装し,比較した。以上の結果から,医療機関外のデータを抽出することなく,プライバシの問題に対処しながら,病院のLOSを正確に予測できることが示唆された。

関連論文リスト

Medical Federated Model with Mixture of Personalized and Sharing Components [31.068735334318088]
本稿では,その問題に対処するための新しい個人化学習フレームワークを提案する。ローカルデータ間の類似性を認識したパーソナライズされたモデルが得られる。また,計算効率を大幅に向上させる効率的な計算コスト削減手法を提案する。
論文参考訳（メタデータ） (2023-06-26T07:50:32Z)
Cluster Based Secure Multi-Party Computation in Federated Learning for Histopathology Images [0.0]
フェデレートラーニング(Federated Learning, FL)は、病院が個人患者データを訓練のために共有することなく、協力的にモデルを学習できる分散型の方法である。 FLでは、患者病院は、中央サーバーでサンプルをトレーニングするよりも、定期的にトレーニング結果を交換する。提案手法では,各病院をクラスタに分割し,各病院のモデル重量を同一クラスタに分割し,各病院が受信した重量を合計し,その結果を中央サーバに送信する。最後に、中央サーバが結果を集約し、個々の病院の重量にアクセスすることなく、モデルの重量平均を検索し、モデルを更新する。
論文参考訳（メタデータ） (2022-08-21T23:56:28Z)
Federated Learning in Multi-Center Critical Care Research: A Systematic Case Study using the eICU Database [24.31499341763427]
データを交換することなく、異なるユニットでモデルを訓練する方法として、フェデレートラーニング(FL)が提案されている。 FLが利用可能なeICUデータセットに与える影響について検討し,各ICU滞在の生存率を予測する。
論文参考訳（メタデータ） (2022-04-20T09:03:09Z)
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)
FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality Brain Image Synthesis [55.939957482776194]
我々は、教師なし脳画像合成におけるフェデレートドメイン翻訳のための新しいベンチマーク(FedMed-GAN)を提案する。 FedMed-GANは発電機の性能を犠牲にすることなくモード崩壊を緩和する。 FedMed-GANと他の集中型手法を比較するための総合的な評価を提供する。
論文参考訳（メタデータ） (2022-01-22T02:50:29Z)
Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in Artificial Intelligence [79.038671794961]
我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
論文参考訳（メタデータ） (2021-11-18T00:43:41Z)
Forecasting COVID-19 Counts At A Single Hospital: A Hierarchical Bayesian Approach [59.318136981032]
一つの病院で1日当たりの入院患者数を予測するという課題について検討する。データのカウント特性を直接キャプチャする階層型ベイズモデルをいくつか開発する。マサチューセッツ州の8つの病院とイギリスの10の病院のパブリックデータセットに対する我々のアプローチを実証する。
論文参考訳（メタデータ） (2021-04-14T11:58:54Z)
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)
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。