論文の概要: A New Perspective to Boost Performance Fairness for Medical Federated Learning

• arxiv url: http://arxiv.org/abs/2410.19765v1
• Date: Sat, 12 Oct 2024 17:19:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-03 08:20:14.976685
• Title: A New Perspective to Boost Performance Fairness for Medical Federated Learning
• Title（参考訳）: 医学フェデレーション学習におけるパフォーマンスフェアネス向上に向けた新しい視点
• Authors: Yunlu Yan, Lei Zhu, Yuexiang Li, Xinxing Xu, Rick Siow Mong Goh, Yong Liu, Salman Khan, Chun-Mei Feng,
• Abstract要約: 機能シフトの観点から性能の公平性を改善するためにFed-LWRを提案する。 具体的には, 特徴表現の階層的差異を推定することにより, 全病院におけるグローバルモデルのバイアスを動的に知覚する。 本稿では,2種類の医用画像セグメンテーションベンチマークを用いて提案手法の評価を行った。
• 参考スコア（独自算出の注目度）: 37.48845838838735
• License:
• Abstract: Improving the fairness of federated learning (FL) benefits healthy and sustainable collaboration, especially for medical applications. However, existing fair FL methods ignore the specific characteristics of medical FL applications, i.e., domain shift among the datasets from different hospitals. In this work, we propose Fed-LWR to improve performance fairness from the perspective of feature shift, a key issue influencing the performance of medical FL systems caused by domain shift. Specifically, we dynamically perceive the bias of the global model across all hospitals by estimating the layer-wise difference in feature representations between local and global models. To minimize global divergence, we assign higher weights to hospitals with larger differences. The estimated client weights help us to re-aggregate the local models per layer to obtain a fairer global model. We evaluate our method on two widely used federated medical image segmentation benchmarks. The results demonstrate that our method achieves better and fairer performance compared with several state-of-the-art fair FL methods.
• Abstract（参考訳）: フェデレートラーニング(FL)の公正性の向上は、特に医学的応用において、健全で持続可能なコラボレーションに寄与する。 しかし、既存のフェアFL法は、医療用FLアプリケーションの特定の特性、すなわち、異なる病院のデータセット間のドメインシフトを無視している。 本研究は,Fed-LWRを用いて,機能シフトの観点からパフォーマンスの公平性を向上させることを提案する。 具体的には,地域モデルとグローバルモデル間の特徴表現の階層的差異を推定することにより,全病院におけるグローバルモデルのバイアスを動的に知覚する。 グローバルなばらつきを最小限に抑えるため、より大きな違いのある病院に重みを割り当てる。 推定されたクライアントの重み付けは、より公平なグローバルモデルを得るために、レイヤごとのローカルモデルを再集約するのに役立ちます。 本稿では,2種類の医用画像セグメンテーションベンチマークを用いて提案手法の評価を行った。 その結果,本手法はいくつかの最先端のフェアFL法と比較して,より良好かつ公平な性能を達成できることが示唆された。

関連論文リスト

• Adaptive Aggregation Weights for Federated Segmentation of Pancreas MRI [5.631060921219683]
  フェデレートラーニング(FL)は、機密データを共有することなく、機関間で協調的なモデルトレーニングを可能にする。 フェデレート平均化(FedAvg)のような従来のFLメソッドは、ドメイン間の一般化において困難に直面している。 本稿では適応的なアグリゲーション重みを取り入れた新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-29T20:53:01Z)
• 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)
• FedMedICL: Towards Holistic Evaluation of Distribution Shifts in Federated Medical Imaging [68.6715007665896]
  FedMedICLは統合されたフレームワークであり、フェデレートされた医療画像の課題を全体評価するためのベンチマークである。 6種類の医用画像データセットについて,いくつかの一般的な手法を総合的に評価した。 単純なバッチ分散手法はFedMedICL実験全体の平均性能において,高度な手法を超越していることがわかった。
  論文  参考訳（メタデータ） (2024-07-11T19:12:23Z)
• Federated Active Learning Framework for Efficient Annotation Strategy in Skin-lesion Classification [1.8149633401257899]
  フェデレートラーニング(FL)は、複数の機関がプライベートデータを共有することなく、協力的にモデルをトレーニングすることを可能にする。 アクティブラーニング(AL)は、医用画像解析におけるデータアノテーションの数を減らす上で有望な性能を示した。 本稿では,FL 下で周期的かつ対話的に AL を実行するフェデレーション AL (FedAL) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-17T08:16:28Z)
• FedSoup: Improving Generalization and Personalization in Federated Learning via Selective Model Interpolation [32.36334319329364]
  クロスサイロフェデレーション学習(FL)は、データセンタに分散したデータセット上での機械学習モデルの開発を可能にする。 近年の研究では、現在のFLアルゴリズムは、分布シフトに直面した場合、局所的な性能とグローバルな性能のトレードオフに直面している。 地域とグローバルのパフォーマンスのトレードオフを最適化する新しいフェデレーションモデルスープ手法を提案する。
  論文  参考訳（メタデータ） (2023-07-20T00:07:29Z)
• Improving Fairness in AI Models on Electronic Health Records: The Case for Federated Learning Methods [0.0]
  我々は、医療機関が連合学習パラダイムを通じて協力することで、バイアスの懸念を軽減する1つの可能なアプローチを示す。 本稿では,様々な公正度尺度に適合する,対向的偏りを伴う包括的FL手法とフェアアグリゲーション手法を提案する。 本手法は, 判定性能(精度)に最低限の影響を伴って, 有望な公平性を達成している。
  論文  参考訳（メタデータ） (2023-05-19T02:03:49Z)
• 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)
• Closing the Generalization Gap of Cross-silo Federated Medical Image Segmentation [66.44449514373746]
  クロスサイロ・フェデレーション・ラーニング (FL) は近年, 深層学習による医用画像解析において注目されている。 FLでトレーニングされたモデルと、集中的なトレーニングでトレーニングされたモデルの間にはギャップがある。 本稿では,クライアントの問題を回避し,ドリフトギャップを解消するための新しいトレーニングフレームワークであるFedSMを提案する。
  論文  参考訳（メタデータ） (2022-03-18T19:50:07Z)
• Federated and Generalized Person Re-identification through Domain and Feature Hallucinating [88.77196261300699]
  人物再識別(re-ID)におけるフェデレーションドメイン一般化(FedDG)の問題について検討する。 一般化された局所的・グローバルなモデルを学ぶための多様な特徴を創出する手法として,DFH (Domain and Feature Hallucinating) を提案する。 提案手法は4つの大規模re-IDベンチマークにおいてFedDGの最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-05T09:15:13Z)

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。