Fugu-MT 論文翻訳(概要): CL3: A Collaborative Learning Framework for the Medical Data Ensuring Data Privacy in the Hyperconnected Environment

論文の概要: CL3: A Collaborative Learning Framework for the Medical Data Ensuring Data Privacy in the Hyperconnected Environment

arxiv url: http://arxiv.org/abs/2410.07900v1
Date: Thu, 17 Oct 2024 11:33:40 GMT
ステータス: 処理完了
システム内更新日: 2024-10-31 14:16:01.956833
Title: CL3: A Collaborative Learning Framework for the Medical Data Ensuring Data Privacy in the Hyperconnected Environment
Title（参考訳）: CL3: ハイパーコネクテッド環境におけるデータのプライバシを保証する医療データのための協調学習フレームワーク
Authors: Mohamamd Zavid Parvez, Rafiqul Islam, Md Zahidul Islam,
Abstract要約: トランスファー、フェデレーション、インクリメンタルラーニングを含む協調学習フレームワークは、効率的でセキュアでスケーラブルなモデルを生成することができる。本研究の目的は、CL3と呼ばれる協調学習フレームワークを用いて、胸部X線画像を用いたCOVID-19の検出に対処することである。
参考スコア（独自算出の注目度）: 1.223961905359498
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In a hyperconnected environment, medical institutions are particularly concerned with data privacy when sharing and transmitting sensitive patient information due to the risk of data breaches, where malicious actors could intercept sensitive information. A collaborative learning framework, including transfer, federated, and incremental learning, can generate efficient, secure, and scalable models while requiring less computation, maintaining patient data privacy, and ensuring an up-to-date model. This study aims to address the detection of COVID-19 using chest X-ray images through a proposed collaborative learning framework called CL3. Initially, transfer learning is employed, leveraging knowledge from a pre-trained model as the starting global model. Local models from different medical institutes are then integrated, and a new global model is constructed to adapt to any data drift observed in the local models. Additionally, incremental learning is considered, allowing continuous adaptation to new medical data without forgetting previously learned information. Experimental results demonstrate that the CL3 framework achieved a global accuracy of 89.99\% when using Xception with a batch size of 16 after being trained for six federated communication rounds.
Abstract（参考訳）: ハイパーコネクテッドな環境では、悪意のあるアクターが機密情報を傍受できるデータ侵害のリスクがあるため、医療機関は機密情報を共有・送信する際に、特にデータプライバシに関心を持っている。転送、フェデレーション、インクリメンタル学習を含む協調学習フレームワークは、計算の削減、患者のデータのプライバシの維持、最新モデルの確保を必要とせず、効率的でセキュアでスケーラブルなモデルを生成することができる。本研究の目的は、CL3と呼ばれる協調学習フレームワークを用いて、胸部X線画像を用いたCOVID-19の検出に対処することである。最初はトランスファーラーニングが採用され、事前訓練されたモデルからの知識を出発グローバルモデルとして活用する。異なる医療機関のローカルモデルが統合され、ローカルモデルで観測されるデータドリフトに適応するために、新しいグローバルモデルが構築される。さらに、漸進的な学習も検討され、それまでの学習情報を忘れずに、新しい医療データへの継続的な適応が可能となった。実験の結果, CL3フレームワークは6回の連成通信ラウンドで訓練後, バッチサイズ16のXceptionを使用する場合, 89.99\%のグローバル精度を達成した。

関連論文リスト

Dealing With Heterogeneous 3D MR Knee Images: A Federated Few-Shot Learning Method With Dual Knowledge Distillation [39.40515099843844]
フェデレーション学習は、データを集約することなく、クライアント間のトレーニングを可能にする。臨床機関は、現地での研修に十分な教師付きデータを持っていない。大企業は高解像度の画像とラベルでデータリポジトリをコンパイルするリソースを持っている。
論文参考訳（メタデータ） (2023-03-25T04:46:25Z)
Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。 NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり手法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-06-23T09:35:03Z)
Federated Contrastive Learning for Volumetric Medical Image Segmentation [16.3860181959878]
フェデレートラーニング(FL)は、プライバシのためのトレーニングデータをローカルに保持しながら、共有モデルを学ぶことで、この点において役立つ。従来のFLはトレーニングのために完全にラベル付けされたデータを必要とする。そこで本研究では,アノテーションを限定したボリューム・メディカル・イメージ・セグメンテーションのためのFCLフレームワークを提案する。
論文参考訳（メタデータ） (2022-04-23T03:47:23Z)
LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文参考訳（メタデータ） (2022-04-12T12:25:05Z)
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)
Federated Cycling (FedCy): Semi-supervised Federated Learning of Surgical Phases [57.90226879210227]
FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
論文参考訳（メタデータ） (2022-03-14T17:44:53Z)
The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。オープンソースデータのトレーニングやテストでは,結果は異例です。データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
論文参考訳（メタデータ） (2021-09-14T10:59:11Z)
Memory-aware curriculum federated learning for breast cancer classification [2.244916866651468]
早期乳癌検診では, 定期検診が推奨される。このような階級不均衡に対する潜在的な解決策は、複数の機関で力を合わせている。近年,協調学習のための効果的なツールとして,連合学習が登場している。
論文参考訳（メタデータ） (2021-07-06T09:50:20Z)
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)
Blockchain-Federated-Learning and Deep Learning Models for COVID-19 detection using CT Imaging [8.280858576611587]
新型コロナウイルスの患者を診断する主な問題は、検査キットの不足と信頼性である。第2の現実の問題は、世界中の病院間でデータを共有することだ。第3に,ブロックチェーン技術を用いてグローバルモデルを協調的にトレーニングする手法を設計する。
論文参考訳（メタデータ） (2020-07-10T11:23:14Z)

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。