論文の概要: Heterogeneous Federated Learning System for Sparse Healthcare Time-Series Prediction

• arxiv url: http://arxiv.org/abs/2501.12125v1
• Date: Tue, 21 Jan 2025 13:38:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:21:20.360379
• Title: Heterogeneous Federated Learning System for Sparse Healthcare Time-Series Prediction
• Title（参考訳）: スパース医療時系列予測のための不均一なフェデレーション学習システム
• Authors: Jia-Hao Syu, Jerry Chun-Wei Lin,
• Abstract要約: 我々は、データソースの空間性を扱うために、密でスパースな特徴テンソルを設計する。 不均一なフェデレーション学習は,ネットワークの非同期部分を共有し,知識伝達に適したモデルを選択するために開発された。
• 参考スコア（独自算出の注目度）: 26.197000069634207
• License:
• Abstract: In this paper, we propose a heterogeneous federated learning (HFL) system for sparse time series prediction in healthcare, which is a decentralized federated learning algorithm with heterogeneous transfers. We design dense and sparse feature tensors to deal with the sparsity of data sources. Heterogeneous federated learning is developed to share asynchronous parts of networks and select appropriate models for knowledge transfer. Experimental results show that the proposed HFL achieves the lowest prediction error among all benchmark systems on eight out of ten prediction tasks, with MSE reduction of 94.8%, 48.3%, and 52.1% compared to the benchmark systems. These results demonstrate the effectiveness of HFL in transferring knowledge from heterogeneous domains, especially in the smaller target domain. Ablation studies then demonstrate the effectiveness of the designed mechanisms for heterogeneous domain selection and switching in predicting healthcare time series with privacy, model security, and heterogeneous knowledge transfer.
• Abstract（参考訳）: 本稿では、ヘテロジニアス転送を伴う分散化フェデレーション学習アルゴリズムである、医療におけるスパース時系列予測のためのヘテロジニアスフェデレーション学習(HFL)システムを提案する。 我々は,データソースの空間性に対処するために,高密度でスパースな特徴テンソルを設計する。 不均一なフェデレーション学習は,ネットワークの非同期部分を共有し,知識伝達に適したモデルを選択するために開発された。 実験結果から,提案したHFLは,MSEの94.8%,48.3%,52.1%をベンチマークシステムと比較して,10の予測タスク中8つのベンチマークシステムの中で最も低い予測誤差を達成していることがわかった。 これらの結果は、特により小さなターゲット領域において、ヘテロジニアス領域からの知識の伝達におけるHFLの有効性を示す。 アブレーション研究は、プライバシ、モデルセキュリティ、ヘテロジニアス知識伝達を伴う医療時系列の予測において、異種領域の選択と切り替えのための設計されたメカニズムの有効性を実証する。

関連論文リスト

• Comparative Evaluation of Clustered Federated Learning Methods [0.5242869847419834]
  CFL(Clustered Federated Learning)は、クライアントを均質なグループに分割することを目的としている。 本稿では,2つの最先端CFLアルゴリズムの性能について,フェデレートラーニング(FL)におけるデータ不均一性の分類法を提案する。 我々の目的は、CFLのパフォーマンスとデータ異種シナリオの関係をより明確に理解することである。
  論文  参考訳（メタデータ） (2024-10-18T07:01:56Z)
• Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
  我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。 提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
  論文  参考訳（メタデータ） (2023-07-12T16:28:21Z)
• A Federated Learning-based Industrial Health Prognostics for Heterogeneous Edge Devices using Matched Feature Extraction [16.337207503536384]
  本稿では,特徴類似性マッチングパラメータアグリゲーションアルゴリズムを用いたFL型健康予後モデルを提案する。 提案手法は, 健康状態推定と生活寿命推定において, 44.5%, 39.3%の精度向上を達成できることを示す。
  論文  参考訳（メタデータ） (2023-05-13T07:20:31Z)
• Magnitude Matters: Fixing SIGNSGD Through Magnitude-Aware Sparsification in the Presence of Data Heterogeneity [60.791736094073]
  通信オーバーヘッドは、ディープニューラルネットワークの分散トレーニングにおいて、大きなボトルネックのひとつになっています。 本稿では,SIGNSGDの非収束問題に対処する等級化方式を提案する。 提案手法は,Fashion-MNIST, CIFAR-10, CIFAR-100データセットを用いて検証した。
  論文  参考訳（メタデータ） (2023-02-19T17:42:35Z)
• Depersonalized Federated Learning: Tackling Statistical Heterogeneity by Alternating Stochastic Gradient Descent [6.394263208820851]
  フェデレート・ラーニング(FL)は、デバイスがデータ共有なしでインテリジェントな推論のために共通の機械学習(ML)モデルをトレーニングすることを可能にする。 様々な共役者によって保持される生データは、常に不特定に分散される。 本稿では,このプロセスのデスピードにより統計的に大幅に最適化できる新しいFLを提案する。
  論文  参考訳（メタデータ） (2022-10-07T10:30:39Z)
• Heterogeneous Federated Learning via Grouped Sequential-to-Parallel Training [60.892342868936865]
  フェデレートラーニング(Federated Learning, FL)は、プライバシ保護のためのコラボレーション機械学習パラダイムである。 本稿では,この課題に対処するため,データヘテロジニアス・ロバストFLアプローチであるFedGSPを提案する。 その結果,FedGSPは7つの最先端アプローチと比較して平均3.7%の精度向上を実現していることがわかった。
  論文  参考訳（メタデータ） (2022-01-31T03:15:28Z)
• An Experimental Study of Data Heterogeneity in Federated Learning Methods for Medical Imaging [8.984706828657814]
  フェデレーション学習は、複数の機関が、プライバシー保護の方法で、ローカルデータ上で機械学習モデルを協調的にトレーニングすることを可能にする。 本研究では,データ不均一性の分類体系が,量スキュー,ラベル分布スキュー,画像取得スキューなどのフェデレーション学習方法に与える影響について検討した。 本稿では,データ量スキューの重み付き平均値,重み付き損失量,ラベル分布スキューのバッチ正規化平均値など,データの不均一性からの性能低下を克服するいくつかの緩和策を提案する。
  論文  参考訳（メタデータ） (2021-07-18T05:47:48Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Stochastic-Sign SGD for Federated Learning with Theoretical Guarantees [49.91477656517431]
  量子化に基づく解法は、フェデレートラーニング(FL)において広く採用されている。 上記のプロパティをすべて享受する既存のメソッドはありません。 本稿では,SIGNSGDに基づく直感的かつ理論的に簡易な手法を提案し,そのギャップを埋める。
  論文  参考訳（メタデータ） (2020-02-25T15:12:15Z)

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。