論文の概要: Equitable Federated Learning with NCA

• arxiv url: http://arxiv.org/abs/2506.21735v1
• Date: Thu, 26 Jun 2025 19:41:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:22.995555
• Title: Equitable Federated Learning with NCA
• Title（参考訳）: NCAによる平等なフェデレーション学習
• Authors: Nick Lemke, Mirko Konstantin, Henry John Krumb, John Kalkhof, Jonathan Stieber, Anirban Mukhopadhyay,
• Abstract要約: Federated Learning(FL)は、センシティブな患者データを共有することなく、機関間で協調的なモデルトレーニングを可能にする。 低所得国や中所得国(LMIC)におけるFLの採用は、限られた高性能コンピューティングリソースや信頼性の低いインターネット接続など、大きな障壁に直面している。 医用画像分割作業に適した新しいFLシステムであるFedNCAを紹介する。
• 参考スコア（独自算出の注目度）: 0.950806388547319
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning (FL) is enabling collaborative model training across institutions without sharing sensitive patient data. This approach is particularly valuable in low- and middle-income countries (LMICs), where access to trained medical professionals is limited. However, FL adoption in LMICs faces significant barriers, including limited high-performance computing resources and unreliable internet connectivity. To address these challenges, we introduce FedNCA, a novel FL system tailored for medical image segmentation tasks. FedNCA leverages the lightweight Med-NCA architecture, enabling training on low-cost edge devices, such as widely available smartphones, while minimizing communication costs. Additionally, our encryption-ready FedNCA proves to be suitable for compromised network communication. By overcoming infrastructural and security challenges, FedNCA paves the way for inclusive, efficient, lightweight, and encryption-ready medical imaging solutions, fostering equitable healthcare advancements in resource-constrained regions.
• Abstract（参考訳）: Federated Learning(FL)は、センシティブな患者データを共有することなく、機関間で協調的なモデルトレーニングを可能にする。 このアプローチは、訓練された医療専門家へのアクセスが制限されている低所得国や中所得国(LMIC)で特に有用である。 しかし、LMICにおけるFLの採用は、限られた高性能コンピューティングリソースや信頼性の低いインターネット接続など、大きな障壁に直面している。 これらの課題に対処するために,医療画像分割作業に適した新しいFLシステムであるFedNCAを紹介する。 FedNCAは軽量なMed-NCAアーキテクチャを活用し、通信コストを最小化しつつ、広く利用可能なスマートフォンなどの低価格エッジデバイスでのトレーニングを可能にする。 さらに、暗号化対応のFedNCAは、妥協されたネットワーク通信に適していることを証明しています。 インフラやセキュリティ上の課題を克服することで、FedNCAは包括的で効率的で、軽量で、暗号化可能な医療画像ソリューションの道を開いた。

関連論文リスト

• Quantum-Inspired Privacy-Preserving Federated Learning Framework for Secure Dementia Classification [0.0]
  本稿では,認知症分類のための量子インスピレーション暗号技術とフェデレーション学習を統合した新しいフレームワークを提案する。 このフレームワークは、低所得国と中所得国でAI駆動型認知症診断へのアクセスを民主化する上で重要な意味を持つ。
  論文  参考訳（メタデータ） (2025-03-05T08:49:31Z)
• 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 Federated Learning Platform as a Service for Advancing Stroke Management in European Clinical Centers [37.285731240749904]
  本稿では,FLプロセスの構成,監視,管理を支援するための新しいFLプラットフォームを提案する。 臨床環境に固有の生産感度を考慮し,提案するFLアーキテクチャの安全性を強調した。 このプラットフォームは、公開データセットを使用して、さまざまな運用環境でのテストに成功している。
  論文  参考訳（メタデータ） (2024-10-02T09:24:05Z)
• Privacy-Preserving Edge Federated Learning for Intelligent Mobile-Health Systems [4.082799056366928]
  我々は、IoTインフラストラクチャ上でのリソース制約のあるモバイルヘルスおよびウェアラブル技術のための、プライバシ保護エッジFLフレームワークを提案する。 提案したフレームワークを広く評価し、AmazonのAWSクラウドプラットフォーム上での当社のテクニックの実装を提供します。
  論文  参考訳（メタデータ） (2024-05-09T08:15:31Z)
• Personalized Wireless Federated Learning for Large Language Models [75.22457544349668]
  大規模言語モデル(LLM)は、無線ネットワークにおいて大きな変革をもたらしている。 無線環境では、LLMのトレーニングはセキュリティとプライバシに関する重大な課題に直面している。 本稿では,無線ネットワークにおけるLLMのトレーニング段階の体系的解析を行い,事前学習,命令チューニング,アライメントチューニングを行う。
  論文  参考訳（メタデータ） (2024-04-20T02:30:21Z)
• Learning Federated Visual Prompt in Null Space for MRI Reconstruction [83.71117888610547]
  我々はMRI再建のためのグローバルプロンプトのヌル空間におけるフェデレートされた視覚的プロンプトを学習するための新しいアルゴリズムであるFedPRを提案する。 FedPRは、ローカルトレーニングデータの限られた量を与えられた場合、通信コストの6%で最先端のFLアルゴリズムを著しく上回っている。
  論文  参考訳（メタデータ） (2023-03-28T17:46:16Z)
• FedDBL: Communication and Data Efficient Federated Deep-Broad Learning for Histopathological Tissue Classification [65.7405397206767]
  本稿では,FedDBL(Federated Deep-Broad Learning)を提案する。 FedDBLは1ラウンドの通信と限られたトレーニングサンプルで競合相手をはるかに上回り、マルチラウンドの通信で同等のパフォーマンスを達成している。 異なるクライアント間でのデータやディープモデルを共有しないため、プライバシ問題は十分に解決されており、モデルのセキュリティはモデル反転攻撃のリスクなしに保証される。
  論文  参考訳（メタデータ） (2023-02-24T14:27:41Z)
• 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)
• Toward Smart Security Enhancement of Federated Learning Networks [109.20054130698797]
  本稿では,フェデレートラーニングネットワーク(FLN)の脆弱性について概説し,毒殺攻撃の概要を紹介する。 FLNのためのスマートセキュリティ強化フレームワークを提案する。 深層強化学習は、良質なトレーニング結果を提供するエッジデバイス(ED)の挙動パターンを学ぶために応用される。
  論文  参考訳（メタデータ） (2020-08-19T08:46:39Z)
• A Federated Learning Framework for Healthcare IoT devices [2.642698101441705]
  深層ニューラルネットワークを学習するための高度なフェデレーション学習フレームワークを提案する。 提案フレームワークは,バニラフェデレート学習における同期トラフィックの0.2%しか必要とせず,低精度の損失を保証している。
  論文  参考訳（メタデータ） (2020-05-07T22:58:43Z)

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。