論文の概要: Personalized Federated Dictionary Learning for Modeling Heterogeneity in Multi-site fMRI Data

• arxiv url: http://arxiv.org/abs/2509.20627v1
• Date: Thu, 25 Sep 2025 00:01:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.630176
• Title: Personalized Federated Dictionary Learning for Modeling Heterogeneity in Multi-site fMRI Data
• Title（参考訳）: 多地点fMRIデータにおける不均一性モデリングのための個人化フェデレーション辞書学習
• Authors: Yipu Zhang, Chengshuo Zhang, Ziyu Zhou, Gang Qu, Hao Zheng, Yuping Wang, Hui Shen, Hongwen Deng,
• Abstract要約: PFedDLは各サイトで独立した辞書学習を行い、各サイト固有の辞書を共有グローバルコンポーネントとパーソナライズされたローカルコンポーネントに分解する。 ABIDEデータセットの実験は、PFedDLが既存の手法よりも精度と堅牢性で、非IIDデータセットよりも優れていることを示した。
• 参考スコア（独自算出の注目度）: 14.18552770292156
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data privacy constraints pose significant challenges for large-scale neuroimaging analysis, especially in multi-site functional magnetic resonance imaging (fMRI) studies, where site-specific heterogeneity leads to non-independent and identically distributed (non-IID) data. These factors hinder the development of generalizable models. To address these challenges, we propose Personalized Federated Dictionary Learning (PFedDL), a novel federated learning framework that enables collaborative modeling across sites without sharing raw data. PFedDL performs independent dictionary learning at each site, decomposing each site-specific dictionary into a shared global component and a personalized local component. The global atoms are updated via federated aggregation to promote cross-site consistency, while the local atoms are refined independently to capture site-specific variability, thereby enhancing downstream analysis. Experiments on the ABIDE dataset demonstrate that PFedDL outperforms existing methods in accuracy and robustness across non-IID datasets.
• Abstract（参考訳）: データプライバシの制約は、大規模な神経画像解析、特にマルチサイト機能的磁気共鳴イメージング(fMRI)研究において、サイト固有の不均一性は非独立で同一に分布する(非IID)データをもたらす。 これらの要因は一般化可能なモデルの開発を妨げる。 これらの課題に対処するため,我々はPersonalized Federated Dictionary Learning (PFedDL)を提案する。 PFedDLは各サイトで独立した辞書学習を行い、各サイト固有の辞書を共有グローバルコンポーネントとパーソナライズされたローカルコンポーネントに分解する。 グローバルな原子は連邦集約によって更新され、クロスサイト一貫性が促進される一方、局所的な原子は独立して精製され、サイト固有の変動を捉え、下流の分析が促進される。 ABIDEデータセットの実験は、PFedDLが既存の手法よりも精度と堅牢性で、非IIDデータセットよりも優れていることを示した。

関連論文リスト

• Towards Robust In-Context Learning for Medical Image Segmentation via Data Synthesis [12.827413884809644]
  ユニバーサルな医用画像セグメンテーションのためのIn-Context Learning (ICL)は、大規模で多様な訓練用データセットに対する前例のない需要をもたらした。 ドメインランダム化に基づく新しいデータ合成フレームワークである textbf SynthICL を提案する。 私たちの仕事は、ICLベースのセグメンテーションにおけるデータのボトルネックを軽減するのに役立ちます。
  論文  参考訳（メタデータ） (2025-09-24T02:44:53Z)
• A Novel Algorithm for Personalized Federated Learning: Knowledge Distillation with Weighted Combination Loss [0.0]
  pFedKD-WCLは知識蒸留と二段階最適化を統合し、非IID課題に対処する。 我々は,MNISTデータセットと非IID合成データセットを用いたpFedKD-WCLを,多相ロジスティック回帰モデルと多層パーセプトロンモデルを用いて評価した。
  論文  参考訳（メタデータ） (2025-04-06T23:22:03Z)
• Hybrid-Regularized Magnitude Pruning for Robust Federated Learning under Covariate Shift [2.298932494750101]
  クライアント側トレーニング分布の不整合がフェデレート学習モデルの性能を著しく低下させることを示す。 本稿では,ニューラルネットワークの疎結合性,冗長性,堅牢性を改善するために,フラニングとクライアントトレーニングの正規化を組み合わせた新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-19T16:22:37Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• 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)
• Dynamic Latent Separation for Deep Learning [67.62190501599176]
  機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。 本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-07T17:56:53Z)
• Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning [112.69497636932955]
  フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。 本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。 フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
  論文  参考訳（メタデータ） (2022-10-01T09:04:17Z)
• 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)
• Shared Space Transfer Learning for analyzing multi-site fMRI data [83.41324371491774]
  マルチボクセルパターン解析(MVPA)は、タスクベース機能磁気共鳴画像(fMRI)データから予測モデルを学習する。 MVPAはよく設計された機能セットと十分なサンプルサイズで機能する。 ほとんどのfMRIデータセットはノイズが多く、高次元で、収集するのに高価で、サンプルサイズも小さい。 本稿では,新しい伝達学習手法として共有空間移動学習(SSTL)を提案する。
  論文  参考訳（メタデータ） (2020-10-24T08:50:26Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)
• Multi-site fMRI Analysis Using Privacy-preserving Federated Learning and Domain Adaptation: ABIDE Results [13.615292855384729]
  高品質なディープラーニングモデルを訓練するには,大量の患者情報を集める必要がある。 患者データのプライバシを保護する必要があるため、複数の機関から中央データベースを組み立てることは困難である。 フェデレート・ラーニング(Federated Learning)は、エンティティのデータを集中化せずに、人口レベルのモデルをトレーニングすることを可能にする。
  論文  参考訳（メタデータ） (2020-01-16T04:49:33Z)

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。