論文の概要: Bayesian Federated Cause-of-Death Classification and Quantification Under Distribution Shift

• arxiv url: http://arxiv.org/abs/2505.02257v1
• Date: Sun, 04 May 2025 21:29:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.513095
• Title: Bayesian Federated Cause-of-Death Classification and Quantification Under Distribution Shift
• Title（参考訳）: 分布シフト下におけるベイズ的フェデレーション因果分類と定量化
• Authors: Yu Zhu, Zehang Richard Li,
• Abstract要約: 医学的に認定された死因を欠く地域では、言語解剖(VA)は、介護者へのインタビューを通じて死因を確かめるために重要かつ広く用いられる道具である。 VAによって収集されたデータは確率論的アルゴリズムを用いてしばしば分析される。 既存のVAアルゴリズムの多くは集中的なトレーニングに依存しており、共同モデリングのためのトレーニングデータに完全にアクセスする必要がある。 複数のトレーニングソース間でのデータ共有を回避する新しいベイズ連邦学習(BFL)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.86981636653323
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In regions lacking medically certified causes of death, verbal autopsy (VA) is a critical and widely used tool to ascertain the cause of death through interviews with caregivers. Data collected by VAs are often analyzed using probabilistic algorithms. The performance of these algorithms often degrades due to distributional shift across populations. Most existing VA algorithms rely on centralized training, requiring full access to training data for joint modeling. This is often infeasible due to privacy and logistical constraints. In this paper, we propose a novel Bayesian Federated Learning (BFL) framework that avoids data sharing across multiple training sources. Our method enables reliable individual-level cause-of-death classification and population-level quantification of cause-specific mortality fractions (CSMFs), in a target domain with limited or no local labeled data. The proposed framework is modular, computationally efficient, and compatible with a wide range of existing VA algorithms as candidate models, facilitating flexible deployment in real-world mortality surveillance systems. We validate the performance of BFL through extensive experiments on two real-world VA datasets under varying levels of distribution shift. Our results show that BFL significantly outperforms the base models built on a single domain and achieves comparable or better performance compared to joint modeling.
• Abstract（参考訳）: 医学的に認定された死因を欠く地域では、言語解剖(VA)は、介護者へのインタビューを通じて死因を確かめるために重要かつ広く用いられる道具である。 VAによって収集されたデータは確率論的アルゴリズムを用いてしばしば分析される。 これらのアルゴリズムの性能は、人口間の分布シフトによって劣化することが多い。 既存のVAアルゴリズムの多くは集中的なトレーニングに依存しており、共同モデリングのためのトレーニングデータに完全にアクセスする必要がある。 これは、プライバシーと論理的制約のため、しばしば実現不可能である。 本稿では,複数のトレーニングソース間でのデータ共有を回避する新しいベイズ連邦学習(BFL)フレームワークを提案する。 本手法により,特定死亡率 (CSMFs) の個体群レベルでの信頼度の高い分類が可能となり, 特定死亡率 (CSMFs) の定量化が可能となった。 提案するフレームワークはモジュール化され、計算効率が高く、様々なVAアルゴリズムを候補モデルとして互換性があり、現実の死亡監視システムに柔軟な展開を容易にする。 分散シフトの異なる2つの実世界のVAデータセットに対する広範囲な実験により,BFLの性能を検証した。 以上の結果から,BFLは単一ドメイン上に構築されたベースモデルよりも大幅に優れており,共同モデリングと比較して同等あるいは優れた性能を実現していることがわかった。

関連論文リスト

• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Vicinal Feature Statistics Augmentation for Federated 3D Medical Volume Segmentation [17.096806029281385]
  FL(Federated Learning)は、複数のクライアント医療機関が、プライバシー保護を備えたディープラーニング(DL)モデルを共同でトレーニングすることを可能にする。 しかし、FLの性能は、小さな機関におけるラベル付きデータの限られた可用性と、機関間での不均一な(すなわち非i.d.)データ分散によって制限される。 我々は,局所的な特徴シフトを効果的に緩和し,プライバシーに配慮したFLセグメンテーションのための協調トレーニングを容易にするために,ビジナルな特徴レベルデータ拡張手法を開発した。
  論文  参考訳（メタデータ） (2023-10-23T21:14:52Z)
• Federated Meta-Learning for Few-Shot Fault Diagnosis with Representation Encoding [21.76802204235636]
  本稿では,数発の故障診断のための表現符号化ベースフェデレーションメタラーニング(REFML)を提案する。 REFMLは、トレーニングクライアントの固有の一般化を活用して、効果的に、アウト・オブ・ディストリビューションの利点に変換する。 同じ機器の非表示作業条件でテストすると2.17%-6.50%、全く見えない機器でテストすると13.44%-18.33%の精度で精度が向上する。
  論文  参考訳（メタデータ） (2023-10-13T10:48:28Z)
• Mind the Gap: Federated Learning Broadens Domain Generalization in Diagnostic AI Models [2.192472845284658]
  5施設の胸部X線写真610,000点を用いて, 診断成績を訓練戦略の機能として評価した。 大規模データセットはFLで最小のパフォーマンス向上を示したが、いくつかのケースでは低下を見せた。 さまざまな外部機関間で協調的にトレーニングを行う場合、AIモデルは、ドメイン外のタスクのためにローカルにトレーニングされたモデルを一貫して上回った。
  論文  参考訳（メタデータ） (2023-10-01T18:27:59Z)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• Unifying and Personalizing Weakly-supervised Federated Medical Image Segmentation via Adaptive Representation and Aggregation [1.121358474059223]
  フェデレートラーニング(FL)は、データプライバシとセキュリティを損なうことなく、複数のサイトが協力して強力なディープモデルをトレーニングすることを可能にする。 微粒な監督を施した弱く監督されたセグメンテーションは、アノテーションコストを下げる大きな可能性を秘めているため、ますます注目されている。 医用画像セグメンテーションのための新しいFLフレームワークであるFedICRAを提案する。
  論文  参考訳（メタデータ） (2023-04-12T06:32:08Z)
• Flexible Amortized Variational Inference in qBOLD MRI [56.4324135502282]
  データから酸素抽出率(OEF)と脱酸素血液量(DBV)をより明瞭に決定する。 既存の推論手法では、DBVを過大評価しながら非常にノイズの多い、過小評価されたEFマップが得られる傾向にある。 本研究は, OEFとDBVの可算分布を推定できる確率論的機械学習手法について述べる。
  論文  参考訳（メタデータ） (2022-03-11T10:47:16Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。