Fugu-MT 論文翻訳(概要): Beyond Static Knowledge Messengers: Towards Adaptive, Fair, and Scalable Federated Learning for Medical AI

論文の概要: Beyond Static Knowledge Messengers: Towards Adaptive, Fair, and Scalable Federated Learning for Medical AI

arxiv url: http://arxiv.org/abs/2510.06259v1
Date: Sun, 05 Oct 2025 03:07:57 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-09 16:41:20.070392
Title: Beyond Static Knowledge Messengers: Towards Adaptive, Fair, and Scalable Federated Learning for Medical AI
Title（参考訳）: 静的知識メッセンジャーを超えて - 医療AIのための適応的で公平でスケーラブルなフェデレーションラーニングを目指す
Authors: Jahidul Arafat, Fariha Tasmin, Sanjaya Poudel, Ahsan Habib Tareq, Iftekhar Haider,
Abstract要約: 適応フェアフェデレートラーニング(AFFL)を3つの革新を通じて提案する。その結果,55～75%の通信削減,56～68%の公正性向上,34～46%の省エネルギー,100以上の機関支援が得られた。経済予測では、農村病院では400-800%のROI、学術センターでは15-25%のパフォーマンス向上を示している。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Medical AI faces challenges in privacy-preserving collaborative learning while ensuring fairness across heterogeneous healthcare institutions. Current federated learning approaches suffer from static architectures, slow convergence (45-73 rounds), fairness gaps marginalizing smaller institutions, and scalability constraints (15-client limit). We propose Adaptive Fair Federated Learning (AFFL) through three innovations: (1) Adaptive Knowledge Messengers dynamically scaling capacity based on heterogeneity and task complexity, (2) Fairness-Aware Distillation using influence-weighted aggregation, and (3) Curriculum-Guided Acceleration reducing rounds by 60-70%. Our theoretical analysis provides convergence guarantees with epsilon-fairness bounds, achieving O(T^{-1/2}) + O(H_max/T^{3/4}) rates. Projected results show 55-75% communication reduction, 56-68% fairness improvement, 34-46% energy savings, and 100+ institution support. The framework enables multi-modal integration across imaging, genomics, EHR, and sensor data while maintaining HIPAA/GDPR compliance. We propose MedFedBench benchmark suite for standardized evaluation across six healthcare dimensions: convergence efficiency, institutional fairness, privacy preservation, multi-modal integration, scalability, and clinical deployment readiness. Economic projections indicate 400-800% ROI for rural hospitals and 15-25% performance gains for academic centers. This work presents a seven-question research agenda, 24-month implementation roadmap, and pathways toward democratizing healthcare AI.
Abstract（参考訳）: 医療AIは、不均一な医療機関間の公正性を確保しながら、プライバシー保護の協調学習において課題に直面している。現在の連合学習アプローチは、静的アーキテクチャ、緩やかな収束(45-73ラウンド)、小さな機関を疎外する公平さのギャップ、スケーラビリティの制約(15-client limit)に悩まされている。本研究では,(1)不均一性とタスク複雑性に基づく適応的知識メッセンジャーの動的スケーリング,(2)影響重み付けによるフェアネス・アウェア蒸留,(3)カリキュラムガイドによる加速ラウンドの60～70%削減という3つのイノベーションを通じて,適応的フェアフェデレーションラーニング(AFFL)を提案する。我々の理論解析は、エプシロン-フェアネス境界を持つ収束保証を提供し、O(T^{-1/2}) + O(H_max/T^{3/4}) を達成する。その結果,55～75%の通信削減,56～68%の公正性向上,34～46%の省エネルギー,100以上の機関支援が得られた。このフレームワークは、HIPAA/GDPR準拠を維持しながら、イメージング、ゲノミクス、EHR、センサーデータ間のマルチモーダル統合を可能にする。 MedFedBenchベンチマークスイートは、コンバージェンス効率、制度的公正性、プライバシー保護、マルチモーダル統合、スケーラビリティ、臨床展開準備の6つの分野にわたる標準化された評価のためのものである。経済予測では、農村病院では400-800%のROI、学術センターでは15-25%のパフォーマンス向上を示している。この研究は、7つの調査課題、24ヶ月の実施ロードマップ、ヘルスケアAIの民主化への道筋を示す。

関連論文リスト

Toward Fair Federated Learning under Demographic Disparities and Data Imbalance [8.444310568786408]
フェデレートラーニング(Federated Learning, FL)は、機関間のプライバシー保護コラボレーションを可能にする。フェアネスを意識した正規化とグループ条件オーバサンプリングを組み合わせたフレームワークに依存しないFedIDAを提案する。 FedIDAは、競争力のある予測性能を維持しながら、常に公正性を向上することを示す。
論文参考訳（メタデータ） (2025-05-14T11:22:54Z)
Multi-Modal Explainable Medical AI Assistant for Trustworthy Human-AI Collaboration [17.11245701879749]
Generalist Medical AI (GMAI) システムは、バイオメディカル認知タスクにおいて、専門家レベルのパフォーマンスを実証している。本稿では,XMedGPTについて紹介する。XMedGPTはクリニック中心のマルチモーダルAIアシスタントで,テキストと視覚の解釈性を統合している。我々は,マルチモーダル解釈可能性,不確実性定量化,予測モデリング,厳密なベンチマークの4つの柱にまたがってXMedGPTを検証する。
論文参考訳（メタデータ） (2025-05-11T08:32:01Z)
Person Recognition at Altitude and Range: Fusion of Face, Body Shape and Gait [70.00430652562012]
FarSightは、顔認識のためのエンドツーエンドシステムで、顔、歩行、体形を横断する生体計測の手がかりを統合する。 FarSightは、4つのコアモジュールにまたがる新しいアルゴリズムを組み込んでいる。
論文参考訳（メタデータ） (2025-05-07T17:58:25Z)
Balancing Fairness and Performance in Healthcare AI: A Gradient Reconciliation Approach [3.997371369137763]
明示的な公平性を考慮せずにデプロイされたAIシステムは、既存の医療格差を悪化させるリスクを負う。予測性能とマルチ属性フェアネス最適化のバランスをとる新しい勾配調整フレームワークであるFairGradを提案する。
論文参考訳（メタデータ） (2025-04-19T19:24:34Z)
Hierarchical Self-Supervised Adversarial Training for Robust Vision Models in Histopathology [64.46054930696052]
敵対的攻撃は、医療のような重要な分野におけるビジョンモデルに重大な課題をもたらす。既存の自己監督型逆行訓練手法は、病理像の階層構造を見落としている。本稿では,これらの特性を活かした階層型自己監督適応訓練(HSAT)を提案する。
論文参考訳（メタデータ） (2025-03-13T17:59:47Z)
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)
Communication-Efficient Hybrid Federated Learning for E-health with Horizontal and Vertical Data Partitioning [67.49221252724229]
E-Healthは、スマートデバイスや医療機関が患者のデータを共同で収集することを可能にする。 eヘルスにフェデレートされた学習を適用することは、多くの課題に直面します。医療データは水平および垂直に分割される。 HFLとVFLの単純な組み合わせには、訓練効率の低下、難聴収束分析、パラメータチューニング戦略の欠如など、制限がある。
論文参考訳（メタデータ） (2024-04-15T19:45:07Z)
OCT-SelfNet: A Self-Supervised Framework with Multi-Modal Datasets for Generalized and Robust Retinal Disease Detection [2.3349787245442966]
本研究は、眼疾患を検出するための自己教師付き堅牢な機械学習フレームワークであるOCT-SelfNetに貢献する。本手法は,自己指導型事前学習と教師型微調整を組み合わせた2段階学習手法を用いてこの問題に対処する。 AUC-PR測定では,提案手法は42%を超え,ベースラインに比べて10%以上の性能向上を示した。
論文参考訳（メタデータ） (2024-01-22T20:17:14Z)
Efficient Representation Learning for Healthcare with Cross-Architectural Self-Supervision [5.439020425819001]
この課題に対応するために、クロスアーキテクチャー・セルフスーパービジョン(CASS)を紹介します。そこで,CASSで訓練されたCNNとTransformerは,4つの多様な医療データセットにおいて,既存の自己教師型学習方法よりも優れていることを示す。また、CASSはバッチサイズの変化やエポックの事前訓練にかなり堅牢であることを示し、医療アプリケーションにおける機械学習の候補として適している。
論文参考訳（メタデータ） (2023-08-19T15:57:19Z)
Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文参考訳（メタデータ） (2022-05-19T17:34:18Z)
MET: Multimodal Perception of Engagement for Telehealth [52.54282887530756]
ビデオから人間のエンゲージメントレベルを知覚する学習ベースアルゴリズムMETを提案する。我々はメンタルヘルス患者のエンゲージメント検出のための新しいデータセットMEDICAをリリースした。
論文参考訳（メタデータ） (2020-11-17T15:18:38Z)

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。