論文の概要: Election of Collaborators via Reinforcement Learning for Federated Brain Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2412.20253v1
• Date: Sat, 28 Dec 2024 19:54:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:02:34.843420
• Title: Election of Collaborators via Reinforcement Learning for Federated Brain Tumor Segmentation
• Title（参考訳）: フェデレーション脳腫瘍分離のための強化学習による協力者の選抜
• Authors: Muhammad Irfan Khan, Elina Kontio, Suleiman A. Khan, Mojtaba Jafaritadi,
• Abstract要約: フェデレートラーニング(FL)は、分散データセット間の協調モデルトレーニングを可能にする。 本稿では,RL-HSimAgg,新しい強化学習(RL)と類似性重み付けアルゴリズム(simAgg)を提案する。 Epsilon-greedy (EG) とUpper confidence bound (UCB) アルゴリズムの連合脳病変分節に対する効果を実証した。
• 参考スコア（独自算出の注目度）: 0.1969973131266619
• License:
• Abstract: Federated learning (FL) enables collaborative model training across decentralized datasets while preserving data privacy. However, optimally selecting participating collaborators in dynamic FL environments remains challenging. We present RL-HSimAgg, a novel reinforcement learning (RL) and similarity-weighted aggregation (simAgg) algorithm using harmonic mean to manage outlier data points. This paper proposes applying multi-armed bandit algorithms to improve collaborator selection and model generalization. By balancing exploration-exploitation trade-offs, these RL methods can promote resource-efficient training with diverse datasets. We demonstrate the effectiveness of Epsilon-greedy (EG) and upper confidence bound (UCB) algorithms for federated brain lesion segmentation. In simulation experiments on internal and external validation sets, RL-HSimAgg with UCB collaborator outperformed the EG method across all metrics, achieving higher Dice scores for Enhancing Tumor (0.7334 vs 0.6797), Tumor Core (0.7432 vs 0.6821), and Whole Tumor (0.8252 vs 0.7931) segmentation. Therefore, for the Federated Tumor Segmentation Challenge (FeTS 2024), we consider UCB as our primary client selection approach in federated Glioblastoma lesion segmentation of multi-modal MRIs. In conclusion, our research demonstrates that RL-based collaborator management, e.g. using UCB, can potentially improve model robustness and flexibility in distributed learning environments, particularly in domains like brain tumor segmentation.
• Abstract（参考訳）: フェデレートラーニング(FL)は、データプライバシを保持しながら、分散データセッ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, 動的FL環境下での協調作業の最適選択は依然として困難である。 RL-HSimAgg, RL-HSimAgg, RL-HSimAgg, RL-HSimAgg, RL-HSimAgg, RL-HSimAgg, RL-HSimAgg, RL-HSimAgg, RL-HSimAgg。 本稿では、協調者選択とモデル一般化を改善するために、マルチアームバンディットアルゴリズムを適用することを提案する。 探索・探索トレードオフのバランスをとることで、これらのRL手法は多様なデータセットによる資源効率のトレーニングを促進することができる。 Epsilon-greedy (EG) とUpper confidence bound (UCB) アルゴリズムの連合脳病変分節に対する効果を実証した。 内部および外部の検証セットに関するシミュレーション実験では、RTL-HSimAggとUCBコラボレータはEG法を全ての指標で上回り、腫瘍(0.7334対0.6797)、腫瘍コア(0.7432対0.6821)、ホール腫瘍(0.8252対0.7931)のセグメンテーションでより高いDiceスコアを達成した。 したがって、FeTS 2024(Federated tumor Segmentation Challenge)では、UDBを多モードMRIの骨芽細胞腫病変セグメント化における主クライアント選択のアプローチとして検討している。 結論として,本研究は,例えば UCB を用いた RL ベースの共同作業者管理が,特に脳腫瘍セグメンテーションなどの領域において,分散学習環境におけるモデル堅牢性と柔軟性を向上させる可能性を実証した。

関連論文リスト

• Multicenter Privacy-Preserving Model Training for Deep Learning Brain Metastases Autosegmentation [2.479757014250359]
  本研究の目的は,マルチセンターデータの不均一性が深層学習脳転移(BM)オートセグメンテーション性能に与える影響を検討することである。 インクリメンタルトランスファー学習技術、すなわち、学習を忘れずに(LWF)、生データを共有せずにモデルの一般化性を改善する。 UKERプレトレーニングモデルがUSZに適用された場合、LWFはUKERとUSZテストデータの組み合わせで、単純TL(0.570)よりも平均F1スコア(0.839)、シングルセンタートレーニング(0.688)を達成する。
  論文  参考訳（メタデータ） (2024-05-17T16:01:11Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• A Reinforcement Learning-assisted Genetic Programming Algorithm for Team Formation Problem Considering Person-Job Matching [70.28786574064694]
  解の質を高めるために強化学習支援遺伝的プログラミングアルゴリズム(RL-GP)を提案する。 効率的な学習を通じて得られる超ヒューリスティックなルールは、プロジェクトチームを形成する際の意思決定支援として利用することができる。
  論文  参考訳（メタデータ） (2023-04-08T14:32:12Z)
• Contrastive UCB: Provably Efficient Contrastive Self-Supervised Learning in Online Reinforcement Learning [92.18524491615548]
  対照的な自己指導型学習は、(深層)強化学習(RL)の実践にうまく統合されている 我々は,低ランク遷移を伴うマルコフ決定過程(MDP)とマルコフゲーム(MG)のクラスにおいて,コントラスト学習によってRLをどのように強化できるかを検討する。 オンライン環境下では,MDPやMGのオンラインRLアルゴリズムと対照的な損失を生かした,新しい高信頼境界(UCB)型アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-07-29T17:29:08Z)
• Auto-FedRL: Federated Hyperparameter Optimization for Multi-institutional Medical Image Segmentation [48.821062916381685]
  Federated Learning(FL)は、明示的なデータ共有を避けながら協調的なモデルトレーニングを可能にする分散機械学習技術である。 本稿では,Auto-FedRLと呼ばれる,効率的な強化学習(RL)に基づくフェデレーションハイパーパラメータ最適化アルゴリズムを提案する。 提案手法の有効性は,CIFAR-10データセットと2つの実世界の医用画像セグメンテーションデータセットの不均一なデータ分割に対して検証される。
  論文  参考訳（メタデータ） (2022-03-12T04:11:42Z)
• Evaluation and Analysis of Different Aggregation and Hyperparameter Selection Methods for Federated Brain Tumor Segmentation [2.294014185517203]
  我々は分散学習手法であるフェデレート学習パラダイムに注目した。 研究は、連合学習が従来の中央訓練と競争力を発揮することを示した。 我々は、より高速な収束と優れた性能のための様々な戦略を探求し、強力な非IIDケースでも機能する。
  論文  参考訳（メタデータ） (2022-02-16T07:49:04Z)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution [56.17099252139182]
  U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。 2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。 我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
  論文  参考訳（メタデータ） (2020-10-30T14:36:10Z)
• Modality-Pairing Learning for Brain Tumor Segmentation [34.58078431696929]
  そこで我々は,脳腫瘍セグメンテーションのための新しいエンド・ツー・エンドモダリティペアリング学習法を提案する。 提案手法はBraTS 2020オンラインテストデータセット上でテストされ,有望なセグメンテーション性能が得られた。
  論文  参考訳（メタデータ） (2020-10-19T07:42:10Z)

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。