論文の概要: A Unified Benchmark of Federated Learning with Kolmogorov-Arnold Networks for Medical Imaging

• arxiv url: http://arxiv.org/abs/2504.19639v1
• Date: Mon, 28 Apr 2025 09:53:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.392093
• Title: A Unified Benchmark of Federated Learning with Kolmogorov-Arnold Networks for Medical Imaging
• Title（参考訳）: Kolmogorov-Arnold Networksによる医用画像統合学習のベンチマーク
• Authors: Youngjoon Lee, Jinu Gong, Joonhyuk Kang,
• Abstract要約: Kolmogorov-Arnold Networks (KAN) はFederated Learning (FL) を効果的に置き換えることができる Kanは、分散医療におけるプライバシー保護医療画像アプリケーションのための、有望な代替手段だ。
• 参考スコア（独自算出の注目度）: 3.536605202672355
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning (FL) enables model training across decentralized devices without sharing raw data, thereby preserving privacy in sensitive domains like healthcare. In this paper, we evaluate Kolmogorov-Arnold Networks (KAN) architectures against traditional MLP across six state-of-the-art FL algorithms on a blood cell classification dataset. Notably, our experiments demonstrate that KAN can effectively replace MLP in federated environments, achieving superior performance with simpler architectures. Furthermore, we analyze the impact of key hyperparameters-grid size and network architecture-on KAN performance under varying degrees of Non-IID data distribution. Additionally, our ablation studies reveal that optimizing KAN width while maintaining minimal depth yields the best performance in federated settings. As a result, these findings establish KAN as a promising alternative for privacy-preserving medical imaging applications in distributed healthcare. To the best of our knowledge, this is the first comprehensive benchmark of KAN in FL settings for medical imaging task.
• Abstract（参考訳）: フェデレートラーニング(FL)は、生データを共有せずに分散デバイスをまたいだモデルトレーニングを可能にし、医療などの機密分野のプライバシを保護する。 本稿では,血液細胞分類データセットを用いて,6つの最先端FLアルゴリズムを用いて,従来のMLPに対してKANアーキテクチャを評価する。 特に,本実験では,フェデレート環境でのMPPを効果的に置き換え,よりシンプルなアーキテクチャで優れた性能を発揮できることを示した。 さらに,鍵パラメータ・グリッドサイズとネットワークアーキテクチャがカン性能に与える影響を,非IIDデータ分布の異なる範囲で解析する。 さらに,本研究では,最小深度を維持しながらカン幅を最適化することで,フェデレーション環境での最高の性能が得られることを示した。 その結果,KAは分散医療におけるプライバシ保存医療画像の代替として有望な存在であることが判明した。 我々の知る限りでは、医療画像処理のためのFL設定におけるkanの総合的なベンチマークとしてはこれが初めてである。

関連論文リスト

• Feasibility Analysis of Federated Neural Networks for Explainable Detection of Atrial Fibrillation [1.6053176639259055]
  心房細動 (AFib) の早期発見は, 無症候性, 発作性に困難である。 本研究は、生のECGデータを用いてAFibを検出するために、フェデレートラーニング(FL)プラットフォーム上でニューラルネットワークをトレーニングする可能性を評価する。
  論文  参考訳（メタデータ） (2024-10-14T15:06:10Z)
• Kolmogorov-Arnold Network Autoencoders [0.0]
  Kolmogorov-Arnold Networks (KAN)はMulti-Layer Perceptrons (MLP)に代わる有望な代替品である。 カンはコルモゴロフ・アルノルドの表現定理と密接に一致し、モデル精度と解釈可能性の両方を高める可能性がある。 この結果から,kanベースのオートエンコーダは復元精度の点で競争力を発揮することが示された。
  論文  参考訳（メタデータ） (2024-10-02T22:56:00Z)
• FedGS: Federated Gradient Scaling for Heterogeneous Medical Image Segmentation [0.4499833362998489]
  そこで本研究では,FedGSという新しいFLアグリゲーション手法を提案する。 FedGSは、特に小さな病変に対して、PolypGenとLiTSデータセット間で、FedAvgよりも優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-08-21T15:26:21Z)
• A Federated Learning-Friendly Approach for Parameter-Efficient Fine-Tuning of SAM in 3D Segmentation [5.011091042850546]
  医用画像解析に基礎モデルを適用するには、かなりの量のデータでそれらを微調整する必要がある。 このような微調整のためのタスク固有の医療データを中央で収集することは、多くのプライバシー上の懸念を引き起こす。 フェデレーテッド・ラーニング(FL)は、プライベートな分散データをトレーニングするための効果的な手段を提供するが、大規模な基盤モデルをフェデレーテッドする際の通信コストは、すぐに重大なボトルネックとなる可能性がある。
  論文  参考訳（メタデータ） (2024-07-31T16:48:06Z)
• F-KANs: Federated Kolmogorov-Arnold Networks [3.8277268808551512]
  分類タスクにKAN(Kolmogorov-Arnold Networks)を利用する,革新的なフェデレートラーニング(FL)手法を提案する。 本研究は, 従来の多層パーセプトロン(MLP)分類タスクと比較して, 連合カンの性能を評価する。
  論文  参考訳（メタデータ） (2024-07-29T15:28:26Z)
• Enhancing Fast Feed Forward Networks with Load Balancing and a Master Leaf Node [49.08777822540483]
  高速フィードフォワードネットワーク(FFF)は、入力空間の異なる領域が広いネットワークのニューロンの異なるサブセットを活性化する観察を利用する。 本稿では,FFFアーキテクチャにロードバランシングとマスタリーフ技術を導入し,性能向上とトレーニングプロセスの簡素化を図る。
  論文  参考訳（メタデータ） (2024-05-27T05:06:24Z)
• A Federated Learning Framework for Stenosis Detection [70.27581181445329]
  本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。 アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。 データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
  論文  参考訳（メタデータ） (2023-10-30T11:13:40Z)
• Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
  本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。 提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-27T14:39:41Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• 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)
• FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality Brain Image Synthesis [55.939957482776194]
  我々は、教師なし脳画像合成におけるフェデレートドメイン翻訳のための新しいベンチマーク(FedMed-GAN)を提案する。 FedMed-GANは発電機の性能を犠牲にすることなくモード崩壊を緩和する。 FedMed-GANと他の集中型手法を比較するための総合的な評価を提供する。
  論文  参考訳（メタデータ） (2022-01-22T02:50:29Z)

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。