論文の概要: Personalized Federated Fine-Tuning of Vision Foundation Models for Healthcare

• arxiv url: http://arxiv.org/abs/2510.12741v1
• Date: Tue, 14 Oct 2025 17:18:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.41396
• Title: Personalized Federated Fine-Tuning of Vision Foundation Models for Healthcare
• Title（参考訳）: 医療用ビジョンファウンデーションモデルのパーソナライズされた微調整
• Authors: Adam Tupper, Christian Gagné,
• Abstract要約: ファンデーションモデルは、医療にAIを使用する新たな可能性を開く。 そこで本研究では,LoRAアダプタを学習し,汎用知識とクライアント固有の知識を分離する,パーソナライズされたファインタニング手法を提案する。
• 参考スコア（独自算出の注目度）: 5.142160533428574
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models open up new possibilities for the use of AI in healthcare. However, even when pre-trained on health data, they still need to be fine-tuned for specific downstream tasks. Furthermore, although foundation models reduce the amount of training data required to achieve good performance, obtaining sufficient data is still a challenge. This is due, in part, to restrictions on sharing and aggregating data from different sources to protect patients' privacy. One possible solution to this is to fine-tune foundation models via federated learning across multiple participating clients (i.e., hospitals, clinics, etc.). In this work, we propose a new personalized federated fine-tuning method that learns orthogonal LoRA adapters to disentangle general and client-specific knowledge, enabling each client to fully exploit both their own data and the data of others. Our preliminary results on real-world federated medical imaging tasks demonstrate that our approach is competitive against current federated fine-tuning methods.
• Abstract（参考訳）: ファンデーションモデルは、医療にAIを使用する新たな可能性を開く。 しかし、健康データに基づいて事前トレーニングされた場合でも、特定の下流タスクのために微調整する必要がある。 さらに、基礎モデルでは、優れたパフォーマンスを達成するのに必要なトレーニングデータの量を削減しているが、十分なデータを取得することは依然として困難である。 これは、患者のプライバシを保護するために、異なるソースからのデータの共有と集約を制限している部分もある。 これに対する解決策の1つは、複数の参加顧客(病院、診療所など)にまたがる連合学習を通じて基礎モデルを微調整することである。 本研究では,直交のLoRAアダプタを学習し,汎用知識とクライアント固有の知識を分離し,各クライアントが自身のデータと他者のデータの両方をフルに活用することのできる,パーソナライズされたファインタニング手法を提案する。 実世界の医用画像処理タスクにおける予備的な結果から,我々のアプローチが現在のファインチューニング手法と競合していることが示されている。

関連論文リスト

• Federated Foundation Model for GI Endoscopy Images [7.9528382609447545]
  ファンデーションモデルは汎用表現を学習することで有望なソリューションを提供する。 ファンデーションモデルトレーニングは通常、広範なデータセットを必要とし、病院は大量のデータを生成するが、プライバシー制限は直接的なデータ共有を妨げている。 本稿では,腹腔鏡画像の基礎モデルをトレーニングするためのFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-30T01:18:17Z)
• Not All Clients Are Equal: Collaborative Model Personalization on Heterogeneous Multi-Modal Clients [59.52341877720199]
  計算コストを伴わずに異種アーキテクチャ間の知識共有を可能にするFedMosaicを提案する。 実世界のタスクの多様性を模倣するために,40の異なるタスクにまたがるマルチモーダルPFLベンチマークを提案する。 実証研究は、FedMosaicが最先端のPFL法より優れていることを示している。
  論文  参考訳（メタデータ） (2025-05-20T09:17:07Z)
• Improving the Classification Effect of Clinical Images of Diseases for Multi-Source Privacy Protection [0.0]
  医療分野におけるプライバシーデータ保護は、データ共有に課題をもたらす。 従来の集中型トレーニング手法は、プライバシー保護原則に違反しているため、適用が難しい。 データベクトルに基づく医療プライバシデータトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-23T12:52:24Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Audit to Forget: A Unified Method to Revoke Patients' Private Data in Intelligent Healthcare [14.22413100609926]
  我々は,事前学習した深層学習モデルから患者の個人データを評価・取り消しできるAFSを開発した。 異なるデータセット上の4つのタスクに適用することで、AFSの汎用性を実証した。
  論文  参考訳（メタデータ） (2023-02-20T07:29:22Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
  新型コロナウイルスの感染拡大で医療資源が不足している。 新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。 患者のプライバシー上の懸念から、データそのものはまだ乏しい。 我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
  論文  参考訳（メタデータ） (2021-02-10T01:56:58Z)
• Anonymizing Data for Privacy-Preserving Federated Learning [3.3673553810697827]
  我々は,フェデレートラーニングの文脈において,プライバシを提供するための最初の構文的アプローチを提案する。 当社のアプローチは,プライバシの保護レベルをサポートしながら,実用性やモデルの性能を最大化することを目的としている。 医療領域における2つの重要な課題について,100万人の患者の実世界電子健康データを用いて包括的実証評価を行った。
  論文  参考訳（メタデータ） (2020-02-21T02:30:16Z)

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。