論文の概要: Evaluating the Potential of Federated Learning for Maize Leaf Disease Prediction

• arxiv url: http://arxiv.org/abs/2412.07872v1
• Date: Tue, 10 Dec 2024 19:19:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-12 14:03:46.130674
• Title: Evaluating the Potential of Federated Learning for Maize Leaf Disease Prediction
• Title（参考訳）: トウモロコシ葉病予測のためのフェデレーション学習の可能性評価
• Authors: Thalita Mendonça Antico, Larissa F. Rodrigues Moreira, Rodrigo Moreira,
• Abstract要約: コンボリューショナルニューラルネットワーク(CNN)は、作物の葉のイメージキャプチャーを考慮して、病気の予測を正確に行う。 Federated Learning (FL) は、集中型トレーニングにおいて認識されるギャップに対処するために、分散トレーニングをサポートすることを目的としている。 分散パラダイム下で訓練された5つのCNNの性能を評価し,その訓練時間を分類性能と比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The diagnosis of diseases in food crops based on machine learning seemed satisfactory and suitable for use on a large scale. The Convolutional Neural Networks (CNNs) perform accurately in the disease prediction considering the image capture of the crop leaf, being extensively enhanced in the literature. These machine learning techniques fall short in data privacy, as they require sharing the data in the training process with a central server, disregarding competitive or regulatory concerns. Thus, Federated Learning (FL) aims to support distributed training to address recognized gaps in centralized training. As far as we know, this paper inaugurates the use and evaluation of FL applied in maize leaf diseases. We evaluated the performance of five CNNs trained under the distributed paradigm and measured their training time compared to the classification performance. In addition, we consider the suitability of distributed training considering the volume of network traffic and the number of parameters of each CNN. Our results indicate that FL potentially enhances data privacy in heterogeneous domains.
• Abstract（参考訳）: 機械学習による食品作物の病気の診断は良好であり,大規模に使用するのに適していると考えられた。 コンボリューショナルニューラルネットワーク(CNN)は、作物の葉のイメージキャプチャーを考慮して、病気予測において正確に機能し、文献において広範囲に拡張されている。 これらの機械学習技術は、トレーニングプロセス内のデータを中央サーバと共有する必要があるため、データプライバシに不足している。 このように、フェデレートラーニング(FL)は、集中型トレーニングにおいて認識されるギャップに対処するために、分散トレーニングをサポートすることを目的としている。 本論文は, トウモロコシ葉病に応用されたFLの使用と評価について述べる。 分散パラダイム下で訓練された5つのCNNの性能を評価し,その訓練時間を分類性能と比較した。 さらに,ネットワークトラフィック量と各CNNのパラメータ数を考慮した分散トレーニングの適合性についても検討した。 この結果から,FLは不均一領域におけるデータプライバシを高める可能性が示唆された。

関連論文リスト

• PND-Net: Plant Nutrition Deficiency and Disease Classification using Graph Convolutional Network [18.778641229886393]
  本稿では,グラフ畳み込みネットワーク(GNN)を用いた植物栄養障害と疾患分類の新しい深層学習法を提案する。 The proposed method, called Plant Nutrition Deficiency and Disease Network (PND-Net) was evaluate on two public datasets for nutrition deficiency, and two for disease classification using four CNNs。
  論文  参考訳（メタデータ） (2024-10-16T17:01:28Z)
• FedKBP: Federated dose prediction framework for knowledge-based planning in radiation therapy [0.5575343193009424]
  ドーズ予測は、患者固有の線量分布を自動的に生成することにより、知識ベース計画(KBP)において重要な役割を果たす。 深層学習に基づく線量予測手法の最近の進歩は、データコントリビュータ間の協調が必要である。 フェデレーションラーニング(FL)がソリューションとして登場し、医療センターは患者のデータのプライバシーを損なうことなく、ディープラーニングモデルを共同で訓練することができる。
  論文  参考訳（メタデータ） (2024-08-17T14:57:14Z)
• When do Convolutional Neural Networks Stop Learning? [0.0]
  畳み込みニューラルネットワーク(CNN)はコンピュータビジョンタスクにおいて優れた性能を示した。 現在の実践は、トレーニング損失が減少し、トレーニングと検証エラーの間のギャップが増加すると、トレーニングをやめることである。 この研究は、CNNの変種の全層にわたるデータ変動を分析し、その準最適学習能力を予測する仮説を導入している。
  論文  参考訳（メタデータ） (2024-03-04T20:35:09Z)
• Attend Who is Weak: Pruning-assisted Medical Image Localization under Sophisticated and Implicit Imbalances [102.68466217374655]
  ディープニューラルネットワーク(DNN)は、医療画像理解タスクのテキストファクト選択として急速に普及している。 本稿では,プルーニングを用いてテキスト・ハード・トゥ・ラーン(HTL)学習サンプルを自動かつ適応的に識別する手法を提案する。 また、HTLが複雑な人口動態の不均衡を捉える能力を示す興味深い統計分析も提示する。
  論文  参考訳（メタデータ） (2022-12-06T00:32:03Z)
• Federated Learning with Privacy-Preserving Ensemble Attention Distillation [63.39442596910485]
  Federated Learning(FL)は、多くのローカルノードがトレーニングデータを分散化しながら、中央モデルを協調的にトレーニングする機械学習パラダイムである。 本稿では,未ラベル公開データを利用した一方向オフライン知識蒸留のためのプライバシー保護FLフレームワークを提案する。 我々の技術は、既存のFLアプローチのような分散的で異質なローカルデータを使用するが、より重要なのは、プライバシー漏洩のリスクを著しく低減することです。
  論文  参考訳（メタデータ） (2022-10-16T06:44:46Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• 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)
• Label-Efficient Self-Supervised Federated Learning for Tackling Data Heterogeneity in Medical Imaging [23.08596805950814]
  医用画像解析のための頑健でラベル効率の良い自己教師型FLフレームワークを提案する。 具体的には,既存のFLパイプラインに分散自己教師型事前学習パラダイムを導入する。 自己教師付きFLアルゴリズムは,分布外データに対してよく一般化し,限定ラベルのシナリオにおいてより効果的にフェデレーションモデルを学習することを示す。
  論文  参考訳（メタデータ） (2022-05-17T18:33:43Z)
• 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)
• 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)
• The Age of Correlated Features in Supervised Learning based Forecasting [14.471447024994113]
  本稿では,情報新鮮度が教師あり学習に基づく予測に与える影響を分析する。 これらの応用において、ニューラルネットワークは、複数の相関した特徴に基づいて時間変化目標(例えば、太陽エネルギー)を予測するように訓練される。 情報理論的なアプローチを用いて,最小の学習損失が特徴の年齢の関数であることを証明した。
  論文  参考訳（メタデータ） (2021-02-27T00:10:49Z)

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。