論文の概要: UniTrans: A Unified Vertical Federated Knowledge Transfer Framework for Enhancing Cross-Hospital Collaboration

• arxiv url: http://arxiv.org/abs/2501.11388v1
• Date: Mon, 20 Jan 2025 10:33:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:20:16.943083
• Title: UniTrans: A Unified Vertical Federated Knowledge Transfer Framework for Enhancing Cross-Hospital Collaboration
• Title（参考訳）: UniTrans: クロスホスピタルコラボレーションを促進するための統合垂直統合知識伝達フレームワーク
• Authors: Chung-ju Huang, Yuanpeng He, Xiao Han, Wenpin Jiao, Zhi Jin, Leye Wang,
• Abstract要約: 病院間の協力は、異なる地域にわたる医療資源の格差に対処する可能性がある。 厳格なプライバシー規制は、病院間で機密情報を直接共有することを禁止している。
• 参考スコア（独自算出の注目度）: 23.16178059724539
• License:
• Abstract: Cross-hospital collaboration has the potential to address disparities in medical resources across different regions. However, strict privacy regulations prohibit the direct sharing of sensitive patient information between hospitals. Vertical federated learning (VFL) offers a novel privacy-preserving machine learning paradigm that maximizes data utility across multiple hospitals. Traditional VFL methods, however, primarily benefit patients with overlapping data, leaving vulnerable non-overlapping patients without guaranteed improvements in medical prediction services. While some knowledge transfer techniques can enhance the prediction performance for non-overlapping patients, they fall short in addressing scenarios where overlapping and non-overlapping patients belong to different domains, resulting in challenges such as feature heterogeneity and label heterogeneity. To address these issues, we propose a novel unified vertical federated knowledge transfer framework (Unitrans). Our framework consists of three key steps. First, we extract the federated representation of overlapping patients by employing an effective vertical federated representation learning method to model multi-party joint features online. Next, each hospital learns a local knowledge transfer module offline, enabling the transfer of knowledge from the federated representation of overlapping patients to the enriched representation of local non-overlapping patients in a domain-adaptive manner. Finally, hospitals utilize these enriched local representations to enhance performance across various downstream medical prediction tasks. Experiments on real-world medical datasets validate the framework's dual effectiveness in both intra-domain and cross-domain knowledge transfer. The code of \method is available at \url{https://github.com/Chung-ju/Unitrans}.
• Abstract（参考訳）: 病院間の協力は、異なる地域にわたる医療資源の格差に対処する可能性がある。 しかし、厳格なプライバシー規制は、病院間で機密情報を直接共有することを禁止している。 Vertical Federated Learning(VFL)は、複数の病院にまたがるデータの有用性を最大化する、新たなプライバシ保護機械学習パラダイムを提供する。 しかし、従来のVFL法は、主に重複したデータを患者に提供し、医療予知サービスの改善を保証せずに、脆弱な重複しない患者を残している。 いくつかの知識伝達技術は重複しない患者の予測性能を高めることができるが、重複しない患者と重複しない患者が異なるドメインに属している場合の対処には不足しており、特徴の不均一性やラベルの不均一性などの課題が生じる。 これらの課題に対処するため、我々は新しい統合型垂直連合型知識伝達フレームワーク(Unitrans)を提案する。 私たちのフレームワークは3つの重要なステップで構成されています。 まず,重なり合う患者の連合表現を,オンライン・マルチパーティ・ジョイント・フィーチャをモデル化するための効果的な垂直表現学習手法を用いて抽出する。 次に、各病院は、局所的な知識伝達モジュールをオフラインで学習し、重複する患者の連合表現から、ドメイン適応的な方法で、重複しない患者の豊かな表現への知識の伝達を可能にする。 最後に、病院はこれらの豊かな地域表現を利用して、下流の様々な医療予測タスクのパフォーマンスを高める。 実世界の医療データセットの実験は、ドメイン内およびドメイン間の知識伝達におけるフレームワークの二重の有効性を検証する。 \methodのコードは \url{https://github.com/Chung-ju/Unitrans} で公開されている。

関連論文リスト

• Comparing Federated Stochastic Gradient Descent and Federated Averaging for Predicting Hospital Length of Stay [0.0]
  入院期間(LOS)を確実に予測することは,病院における資源配分の効率化に不可欠である。 従来の予測モデリングツールは、医療機関がプライバシー規則を定めているため、十分なデータと多様なデータを取得するのが難しいことが多い。 このモデリング手法は、病院外の機密データを抽出することなく、異なる病院からの分散データソースをモデル化することで協調的なモデルトレーニングを促進する。
  論文  参考訳（メタデータ） (2024-07-17T17:00:20Z)
• Distributionally Robust Alignment for Medical Federated Vision-Language Pre-training Under Data Heterogeneity [4.84693589377679]
  医用ビジョン言語事前学習のためのFedDRA(Federated Distributionally Robust Alignment)を提案する。 FedDRAは異種条件下で頑健な視覚言語アライメントを実現する。 また,本手法は様々な医学的事前訓練法にも適している。
  論文  参考訳（メタデータ） (2024-04-05T01:17:25Z)
• Federated Semi-supervised Learning for Medical Image Segmentation with intra-client and inter-client Consistency [10.16245019262119]
  フェデレートラーニングは、ローカルデータ交換なしで、分離されたクライアントの共有モデルをトレーニングすることを目的としている。 本研究では,医用画像セグメンテーションのための新しい半教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-19T12:52:38Z)
• Vertical Federated Knowledge Transfer via Representation Distillation for Healthcare Collaboration Networks [9.121410198690088]
  本稿では,新しいクロスホスピタル表現蒸留コンポーネントをベースとした,垂直結合型知識伝達機構(VFedTrans)の統一フレームワークを提案する。 各病院では, 共用サンプルのフェデレーション表現から知識を伝達し, 局所的なサンプルの表現を豊かにする局所的表現型モジュールを学習する。 実生活の医療データセットに関する実験は、我々のフレームワークの知識伝達の有効性を検証する。
  論文  参考訳（メタデータ） (2023-02-11T12:15:37Z)
• Transfer Learning on Heterogeneous Feature Spaces for Treatment Effects Estimation [103.55894890759376]
  本稿では,不均一な特徴空間を扱うために表現学習を利用するビルディングブロックを紹介する。 本稿では,これらのビルディングブロックを用いて,標準CATE学習者の伝達学習の等価性を回復する方法を示す。
  論文  参考訳（メタデータ） (2022-10-08T16:41:02Z)
• 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)
• 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)
• FedDG: Federated Domain Generalization on Medical Image Segmentation via Episodic Learning in Continuous Frequency Space [63.43592895652803]
  フェデレーションラーニングは、分散医療機関がプライバシ保護を備えた共有予測モデルを共同で学習することを可能にします。 臨床展開では、連合学習で訓練されたモデルは、連邦外の完全に見えない病院に適用された場合、パフォーマンス低下に苦しむ可能性がある。 そこで本研究では,この問題に対してELCFS(Episodic Learning in Continuous frequency Space)と呼ばれる新しいアプローチを提案する。 本手法の有効性は,2つの医用画像分割作業における最先端および深部アブレーション実験よりも優れていた。
  論文  参考訳（メタデータ） (2021-03-10T13:05:23Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)

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。