論文の概要: Framework for Co-distillation Driven Federated Learning to Address Class Imbalance in Healthcare
- arxiv url: http://arxiv.org/abs/2411.10383v1
- Date: Fri, 15 Nov 2024 17:46:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-18 15:37:38.247561
- Title: Framework for Co-distillation Driven Federated Learning to Address Class Imbalance in Healthcare
- Title（参考訳）: 保健の授業不均衡に対処する共蒸留型フェデレーションラーニングの枠組み
- Authors: Suraj Racha, Shubh Gupta, Humaira Firdowse, Aastik Solanki, Ganesh Ramakrishnan, Kshitij S. Jadhav,
- Abstract要約: Federated Learning(FL)は、分散機械学習の先駆的なアプローチである。
連携型医療環境における共蒸留駆動型枠組みを提案する。
我々のフレームワークは、他のベースラインを上回りながら、不均衡を増大させながら、最小限の標準偏差を持っている。
- 参考スコア（独自算出の注目度）: 15.728657432441937
- License:
- Abstract: Federated Learning (FL) is a pioneering approach in distributed machine learning, enabling collaborative model training across multiple clients while retaining data privacy. However, the inherent heterogeneity due to imbalanced resource representations across multiple clients poses significant challenges, often introducing bias towards the majority class. This issue is particularly prevalent in healthcare settings, where hospitals acting as clients share medical images. To address class imbalance and reduce bias, we propose a co-distillation driven framework in a federated healthcare setting. Unlike traditional federated setups with a designated server client, our framework promotes knowledge sharing among clients to collectively improve learning outcomes. Our experiments demonstrate that in a federated healthcare setting, co-distillation outperforms other federated methods in handling class imbalance. Additionally, we demonstrate that our framework has the least standard deviation with increasing imbalance while outperforming other baselines, signifying the robustness of our framework for FL in healthcare.
- Abstract（参考訳）: Federated Learning(FL)は、分散機械学習の先駆的なアプローチであり、データのプライバシを維持しながら、複数のクライアント間で協調的なモデルトレーニングを可能にする。
しかし、複数のクライアント間で不均衡なリソース表現に起因する固有の不均一性は、しばしば多数派に偏見をもたらす、重大な課題を引き起こす。
この問題は、顧客として働く病院が医療画像を共有する医療現場で特に顕著である。
クラス不均衡に対処しバイアスを低減するために,連合型医療環境における共蒸留駆動型フレームワークを提案する。
サーバクライアントを指定した従来のフェデレーション設定とは異なり、当社のフレームワークはクライアント間の知識共有を促進し、学習結果を総合的に改善します。
本実験は, 連携型医療環境では, クラス不均衡処理において, 共蒸留法が他のフェデレート法よりも優れていることを示した。
さらに、我々のフレームワークは、医療におけるFLのためのフレームワークの堅牢性を示すとともに、他のベースラインを上回りながら、不均衡を増大させ、最小限の標準偏差を持つことを示す。
関連論文リスト
- Non-parametric regularization for class imbalance federated medical image classification [32.00952232688697]
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。
論文 参考訳（メタデータ） (2024-07-17T09:54:28Z) - From Optimization to Generalization: Fair Federated Learning against Quality Shift via Inter-Client Sharpness Matching [10.736121438623003]
フェデレートラーニングは、分散化された医療データでディープニューラルネットワークをトレーニングするための重要なアプローチとして認識されている。
実際には、様々な施設で一貫した画像品質を確保することは困難である。
この画像品質の不均衡は、フェデレートされたモデルが高品質な画像に対して固有のバイアスを生じさせる可能性がある。
論文 参考訳（メタデータ） (2024-04-27T07:05:41Z) - An Efficient Imbalance-Aware Federated Learning Approach for Wearable
Healthcare with Autoregressive Ratio Observation [14.898997913387158]
我々は,フェデレート学習シナリオにおけるクラス不均衡の課題に対処するために,新しいフェデレーション学習フレームワークであるFedImTを提案する。
FedImTには、アグリゲーションの各ラウンドでデータ構成を推定できるオンラインスキームが含まれている。
実験は、余剰エネルギー消費やプライバシーリスクを回避することなく、不均衡問題を解決するためのFedImTの有効性を示す。
論文 参考訳（メタデータ） (2023-10-23T10:36:52Z) - Fairness and Privacy in Federated Learning and Their Implications in
Healthcare [0.0]
本稿では,研究におけるフェアフェデレーション学習の典型的なライフサイクルを概説するとともに,実装におけるフェアネスの現状を考慮に入れた最新の分類法を提案する。
論文 参考訳（メタデータ） (2023-08-15T14:32:16Z) - 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) - Combating Exacerbated Heterogeneity for Robust Models in Federated
Learning [91.88122934924435]
対人訓練と連合学習の組み合わせは、望ましくない頑丈さの劣化につながる可能性がある。
我々は、Slack Federated Adversarial Training (SFAT)と呼ばれる新しいフレームワークを提案する。
各種ベンチマークおよび実世界のデータセットに対するSFATの合理性と有効性を検証する。
論文 参考訳（メタデータ） (2023-03-01T06:16:15Z) - FedABC: Targeting Fair Competition in Personalized Federated Learning [76.9646903596757]
フェデレートラーニングは、クライアントのローカルプライベートデータにアクセスすることなく、モデルを協調的にトレーニングすることを目的としている。
我々はFedABCと呼ばれるバイナリ分類によるFederated Averagingと呼ばれる新規で汎用的なPFLフレームワークを提案する。
特に、各クライアントに1対1のトレーニング戦略を採用して、クラス間の不公平な競争を軽減する。
論文 参考訳（メタデータ） (2023-02-15T03:42:59Z) - Density-Aware Personalized Training for Risk Prediction in Imbalanced
Medical Data [89.79617468457393]
不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。
この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。
実世界の医療データセットにおけるモデルの性能向上を実証する。
論文 参考訳（メタデータ） (2022-07-23T00:39:53Z) - 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) - Federated Learning with Adaptive Batchnorm for Personalized Healthcare [47.52430258876696]
ドメインシフトに対処し、ローカルクライアント向けにパーソナライズされたモデルを得るためにAdaFedを提案する。
AdaFedはバッチ正規化レイヤの統計を通じて、クライアント間の類似性を学ぶ。
5つの医療ベンチマークの実験では、AdaFedは最先端の方法よりも精度が高いことが示されている。
論文 参考訳（メタデータ） (2021-12-01T11:36:56Z) - 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)
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。