論文の概要: FedGSCA: Medical Federated Learning with Global Sample Selector and Client Adaptive Adjuster under Label Noise
- arxiv url: http://arxiv.org/abs/2507.10611v1
- Date: Sun, 13 Jul 2025 08:51:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-16 19:46:02.77857
- Title: FedGSCA: Medical Federated Learning with Global Sample Selector and Client Adaptive Adjuster under Label Noise
- Title（参考訳）: FedGSCA:グローバルサンプルセレクタとクライアント適応調整器を用いた医療連携学習
- Authors: Mengwen Ye, Yingzi Huangfu, Shujian Gao, Wei Ren, Weifan Liu, Zekuan Yu,
- Abstract要約: フェデレートラーニング(FL)は、データのプライバシを保持しながら、協調的な医療画像分類のソリューションとして登場した。
ノイズの多い医療FLにおけるロバスト性向上のための新しいフレームワークであるFedGSCAを提案する。
我々はFedGSCAを実世界の1つのコロンスライスデータセットと2つの合成医療データセットで様々なノイズ条件下で評価した。
- 参考スコア（独自算出の注目度）: 3.5585588724306643
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated Learning (FL) emerged as a solution for collaborative medical image classification while preserving data privacy. However, label noise, which arises from inter-institutional data variability, can cause training instability and degrade model performance. Existing FL methods struggle with noise heterogeneity and the imbalance in medical data. Motivated by these challenges, we propose FedGSCA, a novel framework for enhancing robustness in noisy medical FL. FedGSCA introduces a Global Sample Selector that aggregates noise knowledge from all clients, effectively addressing noise heterogeneity and improving global model stability. Furthermore, we develop a Client Adaptive Adjustment (CAA) mechanism that combines adaptive threshold pseudo-label generation and Robust Credal Labeling Loss. CAA dynamically adjusts to class distributions, ensuring the inclusion of minority samples and carefully managing noisy labels by considering multiple plausible labels. This dual approach mitigates the impact of noisy data and prevents overfitting during local training, which improves the generalizability of the model. We evaluate FedGSCA on one real-world colon slides dataset and two synthetic medical datasets under various noise conditions, including symmetric, asymmetric, extreme, and heterogeneous types. The results show that FedGSCA outperforms the state-of-the-art methods, excelling in extreme and heterogeneous noise scenarios. Moreover, FedGSCA demonstrates significant advantages in improving model stability and handling complex noise, making it well-suited for real-world medical federated learning scenarios.
- Abstract（参考訳）: フェデレートラーニング(FL)は、データのプライバシを保持しながら、協調的な医療画像分類のソリューションとして登場した。
しかし、制度間データの変動から生じるラベルノイズは、トレーニングの不安定性とモデル性能を低下させる可能性がある。
既存のFL法は医療データのノイズの不均一性と不均衡に悩まされている。
これらの課題に乗じて、ノイズの多い医療FLにおけるロバスト性を高めるための新しいフレームワークであるFedGSCAを提案する。
FedGSCAはGlobal Sample Selectorを導入し、すべてのクライアントからノイズの知識を集約し、ノイズの不均一性に効果的に対処し、グローバルモデルの安定性を向上させる。
さらに,適応しきい値の擬似ラベル生成とロバストクレダルラベル損失を組み合わせたクライアント適応適応調整(CAA)機構を開発した。
CAAは、クラス分布を動的に調整し、マイノリティサンプルを確実に含み、複数の可塑性ラベルを考慮し、ノイズの多いラベルを慎重に管理する。
この2つのアプローチは、ノイズの多いデータの影響を軽減し、局所的なトレーニング中に過度に適合することを防止し、モデルの一般化性を向上させる。
我々はFedGSCAを、対称型、非対称型、極端型、異種型を含む様々なノイズ条件下で、1つの実世界の大腸スライスデータセットと2つの合成医療データセットで評価した。
その結果、FedGSCAは最先端の手法よりも優れ、極端で異種なノイズのシナリオに優れていた。
さらに、FedGSCAはモデルの安定性を改善し、複雑なノイズに対処する上で大きな利点を示しており、実際の医療連携学習シナリオに適している。
関連論文リスト
- Robust Federated Learning with Confidence-Weighted Filtering and GAN-Based Completion under Noisy and Incomplete Data [0.0]
フェデレートラーニング(FL)は、分散化されたクライアントデータセット間のデータのプライバシを維持しながら、協調的なモデルトレーニングのための効果的なソリューションを提供する。
本研究では,ノイズやクラス不均衡,ラベルの欠落など,データ品質問題に体系的に対処するフェデレート学習手法を提案する。
以上の結果から,この手法はデータ品質の課題を効果的に軽減し,堅牢でスケーラブルでプライバシに適合したソリューションを提供することが示唆された。
論文 参考訳（メタデータ） (2025-05-14T18:49:18Z) - Mind the Gap: Confidence Discrepancy Can Guide Federated Semi-Supervised Learning Across Pseudo-Mismatch [50.632535091877706]
Federated Semi-Supervised Learning (FSSL)は、ラベル付きデータに制限のあるクライアント間でラベル付きデータを活用して、強力な一般化能力を持つ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。
ほとんどのFSSL手法は擬似ラベルによる整合正則化に依存しており、局所的またはグローバルなモデルからの予測を監督信号としてハード擬似ラベルに変換する。
擬似ラベルの品質は、フェデレーション学習の本質的な側面であるデータ不均一性によって大きく劣化していることを示す。
論文 参考訳（メタデータ） (2025-03-17T14:41:51Z) - Noise-Adaptive Conformal Classification with Marginal Coverage [53.74125453366155]
本稿では,ランダムラベルノイズによる交換性からの偏差を効率的に処理できる適応型共形推論手法を提案する。
本手法は,合成および実データに対して,その有効性を示す広範囲な数値実験により検証する。
論文 参考訳（メタデータ） (2025-01-29T23:55:23Z) - Iterative Online Image Synthesis via Diffusion Model for Imbalanced
Classification [29.730360798234294]
医用画像分類におけるクラス不均衡問題に対処するための反復オンライン画像合成フレームワークを提案する。
このフレームワークにはオンライン画像合成(OIS)と精度適応サンプリング(AAS)という2つの重要なモジュールが組み込まれている。
不均衡な分類に対処するための提案手法の有効性を評価するため,HAM10000およびAPTOSデータセットを用いて実験を行った。
論文 参考訳（メタデータ） (2024-03-13T10:51:18Z) - Learning with Imbalanced Noisy Data by Preventing Bias in Sample
Selection [82.43311784594384]
実世界のデータセットには、ノイズの多いラベルだけでなく、クラス不均衡も含まれている。
不均衡なデータセットにおけるノイズラベルに対処する,単純かつ効果的な手法を提案する。
論文 参考訳（メタデータ） (2024-02-17T10:34:53Z) - The Risk of Federated Learning to Skew Fine-Tuning Features and
Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。
3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。
提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文 参考訳（メタデータ） (2024-01-25T09:18:51Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - FedNoRo: Towards Noise-Robust Federated Learning by Addressing Class
Imbalance and Label Noise Heterogeneity [29.68112244504151]
FNLL(Federated Noisy label learning)は、プライバシ保護による分散学習のための有望なツールとして登場している。
まず,大域的データがクラス不均衡であり,ラベルノイズが不均一である新しい,より現実的なラベルノイズ問題を定式化する。
本稿では,FedNoRoという2段階のフレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-09T07:45:55Z) - DRFLM: Distributionally Robust Federated Learning with Inter-client
Noise via Local Mixup [58.894901088797376]
連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。
上記の2つの課題を同時に解決するための一般的な枠組みを提案する。
我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
論文 参考訳（メタデータ） (2022-04-16T08:08:29Z) - FedCorr: Multi-Stage Federated Learning for Label Noise Correction [80.9366438220228]
Federated Learning(FL)は、クライアントがグローバルモデルの共同トレーニングを可能にする、プライバシ保護の分散学習パラダイムである。
FLにおける異種ラベルノイズに対処する汎用多段階フレームワークであるtextttFedCorr$を提案する。
CIFAR-10/100でフェデレートされた合成ラベルノイズと実世界のノイズデータセットであるCloting1Mで実施された実験は、textttFedCorr$がラベルノイズに対して堅牢であることを実証した。
論文 参考訳（メタデータ） (2022-04-10T12:51:18Z)
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。