論文の概要: FHBench: Towards Efficient and Personalized Federated Learning for Multimodal Healthcare

• arxiv url: http://arxiv.org/abs/2504.10817v1
• Date: Tue, 15 Apr 2025 02:38:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:11:28.065466
• Title: FHBench: Towards Efficient and Personalized Federated Learning for Multimodal Healthcare
• Title（参考訳）: FHBench:マルチモーダルヘルスケアのための効率的かつパーソナライズド・フェデレーション・ラーニングを目指して
• Authors: Penghao Wang, Qian Chen, Teng Zhang, Yingwei Zhang, Wang Lu, Yiqiang Chen,
• Abstract要約: フェデレートラーニング(FL)は,患者データを共有することなく,多施設連携のための効果的なソリューションとして登場した。 FHBench(Federated Healthcare Benchmark)は、現実の医療アプリケーションから派生したデータセットから特別に設計されたベンチマークである。 FHBenchをベースとして、パーソナライズされたFLフレームワークであるAdaptive LoRA(EPFL)による効率的なパーソナライズされたフェデレーションラーニングを導入した。
• 参考スコア（独自算出の注目度）: 19.559006138457605
• License:
• Abstract: Federated Learning (FL) has emerged as an effective solution for multi-institutional collaborations without sharing patient data, offering a range of methods tailored for diverse applications. However, real-world medical datasets are often multimodal, and computational resources are limited, posing significant challenges for existing FL approaches. Recognizing these limitations, we developed the Federated Healthcare Benchmark(FHBench), a benchmark specifically designed from datasets derived from real-world healthcare applications. FHBench encompasses critical diagnostic tasks across domains such as the nervous, cardiovascular, and respiratory systems and general pathology, providing comprehensive support for multimodal healthcare evaluations and filling a significant gap in existing benchmarks. Building on FHBench, we introduced Efficient Personalized Federated Learning with Adaptive LoRA(EPFL), a personalized FL framework that demonstrates superior efficiency and effectiveness across various healthcare modalities. Our results highlight the robustness of FHBench as a benchmarking tool and the potential of EPFL as an innovative approach to advancing healthcare-focused FL, addressing key limitations of existing methods.
• Abstract（参考訳）: フェデレートラーニング(FL)は、患者データを共有することなく、多施設連携のための効果的なソリューションとして現れ、多様なアプリケーションに適した様々な方法を提供している。 しかし、現実の医療データセットは、しばしばマルチモーダルであり、計算資源は限られており、既存のFLアプローチには重大な課題がある。 これらの制限を認識して、実世界の医療アプリケーションから派生したデータセットから特別に設計されたベンチマークであるFederated Healthcare Benchmark(FHBench)を開発した。 FHBenchは、神経、心血管系、呼吸系、一般的な病理などの領域にまたがる重要な診断タスクを含み、マルチモーダル医療評価の包括的なサポートを提供し、既存のベンチマークで大きなギャップを埋める。 FHBench上に構築したEfficient Personalized Federated Learning with Adaptive LoRA(EPFL)は,医療の多様性において優れた効率性と有効性を示すパーソナライズされたFLフレームワークである。 以上の結果から,ベンチマークツールとしてのFHBenchの堅牢性と,EPFLが医療に焦点を絞ったFLの進歩に向けた革新的なアプローチである可能性を強調し,既存の手法の重要な限界に対処する。

関連論文リスト

• Asymmetrical Reciprocity-based Federated Learning for Resolving Disparities in Medical Diagnosis [68.06621490069428]
  地理的な健康格差は、特に低所得国と中所得国の未保存地域において、世界的課題となっている。 我々は、地理的な健康格差を緩和し、未保存地域の診断能力を増強することを目的とした、新しいクロスサイロ・フェデレーション学習フレームワークであるFedHelpを提案する。
  論文  参考訳（メタデータ） (2024-12-27T13:59:58Z)
• A cautionary tale on the cost-effectiveness of collaborative AI in real-world medical applications [3.2821049498759094]
  統合学習(FL)は、機密性の高い医療アプリケーションで協調AIを可能にする協調学習パラダイムとして広く普及している。 本研究では,FLパネルとコンセンサスに基づく学習手法の精度とコスト効率のベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-12-09T13:50:52Z)
• FairFML: Fair Federated Machine Learning with a Case Study on Reducing Gender Disparities in Cardiac Arrest Outcome Prediction [10.016644624468762]
  本稿では,Fair Federated Machine Learning (FairFML)について紹介する。 概念実証として,心停止予測における性差の低減を目的とした実世界の臨床ケーススタディを用いて,FairFMLを検証した。 その結果,FairFMLは局所モデルと集中モデルの両方に匹敵する性能を維持しながら,集中モデルと比較して最大65%のモデルフェアネス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） (2024-10-07T13:02:04Z)
• FEDKIM: Adaptive Federated Knowledge Injection into Medical Foundation Models [54.09244105445476]
  本研究は,フェデレート・ラーニング・フレームワーク内で医療基盤モデルを拡張するための新しい知識注入手法であるFedKIMを紹介する。 FedKIMは軽量なローカルモデルを活用して、プライベートデータから医療知識を抽出し、この知識を集中基盤モデルに統合する。 7つのモードで12タスクを対象に実験を行い,FedKIMの有効性について検討した。
  論文  参考訳（メタデータ） (2024-08-17T15:42:29Z)
• Robust and Explainable Framework to Address Data Scarcity in Diagnostic Imaging [6.744847405966574]
  Efficient Transfer and Self-supervised Learning based Ensemble Framework (ETSEF) と呼ばれる新しいアンサンブルフレームワークを導入する。 ETSEFは、訓練済みの複数のディープラーニングモデルの特徴を活用して、限られたデータサンプルから強力な表現を効率的に学習する。 内視鏡検査,乳がん,サルポックス,脳腫瘍,緑内障検出,緑内障検出の5つの独立した医療画像検査を行い,ETSEFの有効性と堅牢性について検討した。
  論文  参考訳（メタデータ） (2024-07-09T05:48:45Z)
• On the Impact of Data Heterogeneity in Federated Learning Environments with Application to Healthcare Networks [3.9058850780464884]
  Federated Learning(FL)は、プライバシに敏感なアプリケーションが、情報を開示することなく、グローバルモデル構築のためにデータセットを活用することを可能にする。 これらの領域の1つは医療であり、サイロのグループは、精度と一般化を改善したグローバルな予測器を生成するために協力する。 本稿では,医学データの複雑さに着目し,FL環境における不均一性の数学的形式化と分類を包括的に調査する。
  論文  参考訳（メタデータ） (2024-04-29T09:05:01Z)
• Improving Fairness in AI Models on Electronic Health Records: The Case for Federated Learning Methods [0.0]
  我々は、医療機関が連合学習パラダイムを通じて協力することで、バイアスの懸念を軽減する1つの可能なアプローチを示す。 本稿では,様々な公正度尺度に適合する,対向的偏りを伴う包括的FL手法とフェアアグリゲーション手法を提案する。 本手法は, 判定性能(精度)に最低限の影響を伴って, 有望な公平性を達成している。
  論文  参考訳（メタデータ） (2023-05-19T02:03:49Z)
• 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)
• Closing the Generalization Gap of Cross-silo Federated Medical Image Segmentation [66.44449514373746]
  クロスサイロ・フェデレーション・ラーニング (FL) は近年, 深層学習による医用画像解析において注目されている。 FLでトレーニングされたモデルと、集中的なトレーニングでトレーニングされたモデルの間にはギャップがある。 本稿では,クライアントの問題を回避し,ドリフトギャップを解消するための新しいトレーニングフレームワークであるFedSMを提案する。
  論文  参考訳（メタデータ） (2022-03-18T19:50:07Z)
• 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)
• 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)

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。