論文の概要: FedDAG: Federated Domain Adversarial Generation Towards Generalizable Medical Image Analysis

• arxiv url: http://arxiv.org/abs/2501.13967v1
• Date: Wed, 22 Jan 2025 07:08:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 14:58:13.941159
• Title: FedDAG: Federated Domain Adversarial Generation Towards Generalizable Medical Image Analysis
• Title（参考訳）: FedDAG: 汎用的な医用画像分析に向けたフェデレーション・ドメイン・アドバイザリアル・ジェネレーション
• Authors: Haoxuan Che, Yifei Wu, Haibo Jin, Yong Xia, Hao Chen,
• Abstract要約: FedDAG(Federated Domain Adversarial Generation) FedDAGは、ドメインシフトをシミュレートし、ローカルとグローバルのソースドメインとは異なる新しいドメインを敵対的に生成することで、モデル一般化を改善することを目的としている。 4つの医療ベンチマークにわたる大規模な実験は、フェデラル医療シナリオの一般化を強化するFedDAGの能力を実証している。
• 参考スコア（独自算出の注目度）: 13.028776283830686
• License:
• Abstract: Federated domain generalization aims to train a global model from multiple source domains and ensure its generalization ability to unseen target domains. {Due to the target domain being with unknown domain shifts, attempting to approximate these gaps by source domains may be the key to improving model generalization capability.} Existing works mainly focus on sharing and recombining local domain-specific attributes to increase data diversity and simulate potential domain shifts. {However, these methods may be insufficient since only the local attribute recombination can be hard to touch the out-of-distribution of global data.} In this paper, we propose a simple-yet-efficient framework named Federated Domain Adversarial Generation (FedDAG). {It aims to simulate the domain shift and improve the model generalization by adversarially generating novel domains different from local and global source domains.} Specifically, it generates novel-style images by maximizing the instance-level feature discrepancy between original and generated images and trains a generalizable task model by minimizing their feature discrepancy. {Further, we observed that FedDAG could cause different performance improvements for local models. It may be due to inherent data isolation and heterogeneity among clients, exacerbating the imbalance in their generalization contributions to the global model.} {Ignoring this imbalance can lead the global model's generalization ability to be sub-optimal, further limiting the novel domain generation procedure. } Thus, to mitigate this imbalance, FedDAG hierarchically aggregates local models at the within-client and across-client levels by using the sharpness concept to evaluate client model generalization contributions. {Extensive experiments across four medical benchmarks demonstrate FedDAG's ability to enhance generalization in federated medical scenarios.}
• Abstract（参考訳）: フェデレートされたドメイン一般化は、複数のソースドメインからグローバルモデルをトレーニングし、ターゲットドメインを特定できないようにすることを目的としている。 対象ドメインが未知のドメインシフトを持つため、ソースドメインによってこれらのギャップを近似しようとすることが、モデルの一般化能力を改善する鍵となるかもしれない。 既存の作業は主に、データの多様性を高め、潜在的なドメインシフトをシミュレートするために、ローカルドメイン固有の属性の共有と再結合に重点を置いています。 しかし、これらの手法は、局所的な属性の再結合だけがグローバルデータのアウト・オブ・ディストリビューションに触れるのが難しいため、不十分である可能性がある。 本稿では,FedDAG(Federated Domain Adversarial Generation)という,シンプルで効率の良いフレームワークを提案する。 ドメインシフトをシミュレートし、ローカルとグローバルのソースドメインとは異なる新しいドメインを逆向きに生成することでモデル一般化を改善することを目的としている。 具体的には、オリジナル画像と生成された画像のインスタンスレベルの特徴差を最大化し、特徴差を最小化し、一般化可能なタスクモデルを訓練することにより、斬新な画像を生成する。 以上の結果から,FedDAGは局所モデルに対して異なる性能改善をもたらす可能性が示唆された。 これは、クライアント間のデータ分離と不均一性により、グローバルモデルへの一般化貢献の不均衡が悪化する可能性がある。 この不均衡を無視すると、グローバルモデルの一般化能力は準最適になり、新しいドメイン生成手順が制限される。 このように、この不均衡を緩和するため、FedDAGはクライアントモデルの一般化貢献を評価するためにシャープネスの概念を用いることで、クライアント内および全クライアントレベルのローカルモデルを階層的に集約する。 2)4つの医療ベンチマークの総合的な実験は,フェデラルな医療シナリオの一般化を促進するFedDAGの能力を実証している。 ※

関連論文リスト

• FedSemiDG: Domain Generalized Federated Semi-supervised Medical Image Segmentation [19.87797382888023]
  医用画像の多様性とラベル付きデータの欠如により、医用画像のセグメンテーションは困難である。 本稿では,FedSemiDGの課題に対処するため,FGASL(Federated Generalization-Aware Semi Supervised Learning)という新しいフレームワークを提案する。 提案手法は最先端のFSSLおよびドメインの一般化手法を著しく上回り,未確認領域に対する堅牢な一般化を実現している。
  論文  参考訳（メタデータ） (2025-01-13T14:54:49Z)
• FedGCA: Global Consistent Augmentation Based Single-Source Federated Domain Generalization [29.989092118578103]
  Federated Domain Generalization (FedDG) は、多ドメイントレーニングサンプルでドメインを見落とせるように、グローバルモデルをトレーニングすることを目的としている。 連合学習ネットワークのクライアントは、固有のサンプリングと時間制限のため、単一のIIDドメインに制限されることが多い。 本稿では,FedGCA(Federated Global Consistent Augmentation)法について紹介する。
  論文  参考訳（メタデータ） (2024-09-23T02:24:46Z)
• Causality-inspired Latent Feature Augmentation for Single Domain Generalization [13.735443005394773]
  単一ドメインの一般化(Single-DG)は、単一のトレーニングドメインのみを持つ一般化可能なモデルを開発し、他の未知のターゲットドメインでうまく機能させることを目的としている。 ドメイン・ハングリー構成の下で、ソース・ドメインのカバレッジを拡大し、異なる分布にまたがる固有の因果的特徴を見つける方法がモデルの一般化能力を高める鍵となる。 本稿では、因果学習と介入に基づく特徴レベルの変換のメタ知識を学習することで、単一DGの因果性に着想を得た潜在機能拡張手法を提案する。
  論文  参考訳（メタデータ） (2024-06-10T02:42:25Z)
• StyDeSty: Min-Max Stylization and Destylization for Single Domain Generalization [85.18995948334592]
  単一のドメインの一般化(単一DG)は、単一のトレーニングドメインからのみ見えないドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。 最先端のアプローチは、主に新しいデータを合成するために、敵対的な摂動やスタイルの強化といったデータ拡張に頼っている。 データ拡張の過程で、ソースと擬似ドメインのアライメントを明示的に考慮したemphStyDeStyを提案する。
  論文  参考訳（メタデータ） (2024-06-01T02:41:34Z)
• DIGIC: Domain Generalizable Imitation Learning by Causal Discovery [69.13526582209165]
  因果性は機械学習と組み合わせて、ドメインの一般化のための堅牢な表現を生成する。 我々は、実証データ分布を活用して、ドメインの一般化可能なポリシーの因果的特徴を発見するために、異なる試みを行っている。 DIGICと呼ばれる新しいフレームワークを設計し、実演データ分布から専門家行動の直接的な原因を見出すことにより因果的特徴を識別する。
  論文  参考訳（メタデータ） (2024-02-29T07:09:01Z)
• Normalization Perturbation: A Simple Domain Generalization Method for Real-World Domain Shifts [133.99270341855728]
  実世界のドメインスタイルは環境の変化やセンサノイズによって大きく変化する可能性がある。 深層モデルはトレーニングドメインスタイルしか知らない。 このドメインスタイルのオーバーフィット問題を解決するために,正規化摂動を提案する。
  論文  参考訳（メタデータ） (2022-11-08T17:36:49Z)
• Adaptive Domain Generalization via Online Disagreement Minimization [17.215683606365445]
  ドメインの一般化は、モデルを目に見えないターゲットのドメインに安全に転送することを目的としています。 AdaODMは、異なるターゲットドメインに対するテスト時にソースモデルを適応的に修正する。 その結果,AdaODMは未確認領域の一般化能力を安定的に向上することがわかった。
  論文  参考訳（メタデータ） (2022-08-03T11:51:11Z)
• Federated and Generalized Person Re-identification through Domain and Feature Hallucinating [88.77196261300699]
  人物再識別(re-ID)におけるフェデレーションドメイン一般化(FedDG)の問題について検討する。 一般化された局所的・グローバルなモデルを学ぶための多様な特徴を創出する手法として,DFH (Domain and Feature Hallucinating) を提案する。 提案手法は4つの大規模re-IDベンチマークにおいてFedDGの最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-05T09:15:13Z)
• META: Mimicking Embedding via oThers' Aggregation for Generalizable Person Re-identification [68.39849081353704]
  Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。 本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T08:06:50Z)
• Adaptive Domain-Specific Normalization for Generalizable Person Re-Identification [81.30327016286009]
  一般化可能なRe-IDのための適応型ドメイン固有正規化手法(AdsNorm)を提案する。 本研究では,一般化可能人物 Re-ID に対する適応領域特異的正規化手法 (AdsNorm) を提案する。
  論文  参考訳（メタデータ） (2021-05-07T02:54:55Z)

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。