論文の概要: FedAgentBench: Towards Automating Real-world Federated Medical Image Analysis with Server-Client LLM Agents

• arxiv url: http://arxiv.org/abs/2509.23803v1
• Date: Sun, 28 Sep 2025 11:06:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.457063
• Title: FedAgentBench: Towards Automating Real-world Federated Medical Image Analysis with Server-Client LLM Agents
• Title（参考訳）: FedAgentBench: サーバクライアントLSMエージェントによる実世界のフェデレーション医療画像分析の自動化を目指して
• Authors: Pramit Saha, Joshua Strong, Divyanshu Mishra, Cheng Ouyang, J. Alison Noble,
• Abstract要約: Federated Learning(FL)は、機密性の高い患者データを共有せずに、医療現場間で協調的なモデルトレーニングを可能にする。 現実のFLの展開は、しばしば人的努力を必要とする複雑な運用上の課題によって妨げられる。 本稿では,クライアント選択からトレーニング完了まで,実世界のFLの重要なフェーズをキャプチャするエージェント駆動FLフレームワークと,FedAgentBenchと呼ばれるベンチマークを紹介する。 我々のフレームワークは40のFLアルゴリズムを組み込んでおり、それぞれが多様なタスク固有の要件とクロスクライアント特性に対処するように調整されている。
• 参考スコア（独自算出の注目度）: 11.959201492182963
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) allows collaborative model training across healthcare sites without sharing sensitive patient data. However, real-world FL deployment is often hindered by complex operational challenges that demand substantial human efforts. This includes: (a) selecting appropriate clients (hospitals), (b) coordinating between the central server and clients, (c) client-level data pre-processing, (d) harmonizing non-standardized data and labels across clients, and (e) selecting FL algorithms based on user instructions and cross-client data characteristics. However, the existing FL works overlook these practical orchestration challenges. These operational bottlenecks motivate the need for autonomous, agent-driven FL systems, where intelligent agents at each hospital client and the central server agent collaboratively manage FL setup and model training with minimal human intervention. To this end, we first introduce an agent-driven FL framework that captures key phases of real-world FL workflows from client selection to training completion and a benchmark dubbed FedAgentBench that evaluates the ability of LLM agents to autonomously coordinate healthcare FL. Our framework incorporates 40 FL algorithms, each tailored to address diverse task-specific requirements and cross-client characteristics. Furthermore, we introduce a diverse set of complex tasks across 201 carefully curated datasets, simulating 6 modality-specific real-world healthcare environments, viz., Dermatoscopy, Ultrasound, Fundus, Histopathology, MRI, and X-Ray. We assess the agentic performance of 14 open-source and 10 proprietary LLMs spanning small, medium, and large model scales. While some agent cores such as GPT-4.1 and DeepSeek V3 can automate various stages of the FL pipeline, our results reveal that more complex, interdependent tasks based on implicit goals remain challenging for even the strongest models.
• Abstract（参考訳）: Federated Learning(FL)は、機密性の高い患者データを共有せずに、医療現場間で協調的なモデルトレーニングを可能にする。 しかし、現実のFLの展開は、しばしば人的努力を必要とする複雑な運用上の課題によって妨げられる。 これには以下のものがある。 (a)適切なクライアント(ホスピタル)を選択すること b) 中央サーバとクライアントの連携 (c)クライアントレベルのデータ前処理 ロ クライアント間の非標準化データ及びラベルの調和 (e)ユーザ命令とクロスクライアントデータ特性に基づいてFLアルゴリズムを選択する。 しかし、既存のFLはこれらの実践的なオーケストレーションの課題を見落としている。 これらの運用上のボトルネックは、各病院のクライアントと中央サーバーエージェントのインテリジェントエージェントが、人的介入を最小限に抑えてFLセットアップとモデルトレーニングを共同で管理する、自律的でエージェント駆動のFLシステムの必要性を動機付けている。 この目的のために,クライアントの選択からトレーニング完了まで,現実のFLワークフローのキーフェーズをキャプチャするエージェント駆動FLフレームワークと,LDMエージェントが医療FLを自律的にコーディネートする能力を評価するFedAgentBenchというベンチマークを導入する。 我々のフレームワークは40のFLアルゴリズムを組み込んでおり、それぞれが多様なタスク固有の要件とクロスクライアント特性に対処するように調整されている。 さらに、201の慎重にキュレートされたデータセットにまたがる様々な複雑なタスクを導入し、6つのモード固有の現実世界の医療環境、viz.、Dermatoscopy、Ultrasound、Fundus、 Histopathology、MRI、X線をシミュレートした。 小型,中型,大規模のモデルスケールにまたがる14のオープンソースと10のプロプライエタリなLCMのエージェント性能を評価する。 GPT-4.1やDeepSeek V3のようなエージェントコアはFLパイプラインの様々なステージを自動化できるが、より複雑な、暗黙の目標に基づく相互依存タスクは、最強のモデルでも難しいままである。

関連論文リスト

• Learn How to Query from Unlabeled Data Streams in Federated Learning [8.963441227294235]
  フェデレートラーニング(FL)は、分散クライアント間の協調学習を可能にすると同時に、ローカルデータのプライバシ保護を可能にする。 FLに関する既存の研究は、トレーニングを開始すると、通常、各クライアントで利用可能なオフラインラベル付きデータを仮定する。 高価なアノテーションのコストを考えると、クライアントにラベルをつけるための情報的サンプルのサブセットを特定することが重要です。
  論文  参考訳（メタデータ） (2024-12-11T06:51:45Z)
• FLASH: Federated Learning Across Simultaneous Heterogeneities [55.0981921695672]
  FLASH (Federated Learning Across Simultaneous Heterogeneities) は軽量かつ柔軟なクライアント選択アルゴリズムである。 ヘテロジニティの幅広い情報源の下で、最先端のFLフレームワークよりも優れています。 最先端のベースラインよりも大幅に、一貫性のある改善を実現している。
  論文  参考訳（メタデータ） (2024-02-13T20:04:39Z)
• Towards Instance-adaptive Inference for Federated Learning [80.38701896056828]
  Federated Learning(FL)は、複数のクライアントがローカルトレーニングを集約することで、強力なグローバルモデルを学ぶことができる分散学習パラダイムである。 本稿では,FedInsという新しいFLアルゴリズムを提案する。 我々のFedInsは、Tiny-ImageNet上での通信コストが15%未満で、トップパフォーマンスの手法に対して6.64%の改善など、最先端のFLアルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-11T09:58:47Z)
• FLamby: Datasets and Benchmarks for Cross-Silo Federated Learning in Realistic Healthcare Settings [51.09574369310246]
  Federated Learning(FL)は、センシティブなデータを保持している複数のクライアントが協力して機械学習モデルをトレーニングできる新しいアプローチである。 本稿では,医療分野に重点を置くクロスサイロ・データセット・スイートFLambyを提案し,クロスサイロ・FLの理論と実践のギャップを埋める。 私たちのフレキシブルでモジュラーなスイートによって、研究者は簡単にデータセットをダウンロードし、結果を再現し、研究のためにさまざまなコンポーネントを再利用することができます。
  論文  参考訳（メタデータ） (2022-10-10T12:17:30Z)
• IOP-FL: Inside-Outside Personalization for Federated Medical Image Segmentation [18.65229252289727]
  フェデレートラーニング(Federated Learning)は、複数の医療機関がクライアントデータを集中せずにグローバルなモデルを共同で学習することを可能にする。 We propose a novel unified framework for textitInside and Outside model Personalization in FL (IOP-FL)。 2つの医用画像分割作業に関する実験結果から, 内面および外面の個人化におけるSOTA法よりも有意な改善が認められた。
  論文  参考訳（メタデータ） (2022-04-16T08:26:19Z)
• Personalized Retrogress-Resilient Framework for Real-World Medical Federated Learning [8.240098954377794]
  本稿では,各クライアントに対して優れたパーソナライズモデルを生成するために,パーソナライズされた回帰耐性フレームワークを提案する。 実世界の皮膚内視鏡的FLデータセットに関する実験により、我々のパーソナライズされた回帰抵抗性フレームワークが最先端のFL手法より優れていることが証明された。
  論文  参考訳（メタデータ） (2021-10-01T13:24:29Z)
• Federated Whole Prostate Segmentation in MRI with Personalized Neural Architectures [11.563695244722613]
  フェデレーション・ラーニング(FL)は、集中型データセットを必要とせずに機械学習モデルをトレーニングする手段である。 本研究では,FLと局所的ニューラルネットワーク探索に基づくAutoML技術を組み合わせた「スーパーネット」の学習を行う。 提案手法は3次元前立腺MRIの4つの異なるデータセットを用いて評価し,適応後の局所モデルの性能向上を示す。
  論文  参考訳（メタデータ） (2021-07-16T20:35:29Z)

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。