Fugu-MT 論文翻訳(概要): CEPerFed: Communication-Efficient Personalized Federated Learning for Multi-Pulse MRI Classification

論文の概要: CEPerFed: Communication-Efficient Personalized Federated Learning for Multi-Pulse MRI Classification

arxiv url: http://arxiv.org/abs/2510.17584v1
Date: Mon, 20 Oct 2025 14:34:16 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-25 00:56:39.482466
Title: CEPerFed: Communication-Efficient Personalized Federated Learning for Multi-Pulse MRI Classification
Title（参考訳）: CEPerFed:マルチパルスMRI分類のためのコミュニケーション効率の良い個人化フェデレーション学習
Authors: Ludi Li, Junbin Mao, Hanhe Lin, Xu Tian, Fang-Xiang Wu, Jin Liu,
Abstract要約: マルチパルスMRI分類のための頑健なモデルをトレーニングするには、様々な医療機関からの大規模かつ多様なデータが必要である。通信効率の高いパーソナライズされたFL手法CEPerFedを提案する。 CEPerFed法の有効性を示す5つの分類課題の実験を行った。
参考スコア（独自算出の注目度）: 9.643088951062065
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multi-pulse magnetic resonance imaging (MRI) is widely utilized for clinical practice such as Alzheimer's disease diagnosis. To train a robust model for multi-pulse MRI classification, it requires large and diverse data from various medical institutions while protecting privacy by preventing raw data sharing across institutions. Although federated learning (FL) is a feasible solution to address this issue, it poses challenges of model convergence due to the effect of data heterogeneity and substantial communication overhead due to large numbers of parameters transmitted within the model. To address these challenges, we propose CEPerFed, a communication-efficient personalized FL method. It mitigates the effect of data heterogeneity by incorporating client-side historical risk gradients and historical mean gradients to coordinate local and global optimization. The former is used to weight the contributions from other clients, enhancing the reliability of local updates, while the latter enforces consistency between local updates and the global optimization direction to ensure stable convergence across heterogeneous data distributions. To address the high communication overhead, we propose a hierarchical SVD (HSVD) strategy that transmits only the most critical information required for model updates. Experiments on five classification tasks demonstrate the effectiveness of the CEPerFed method. The code will be released upon acceptance at https://github.com/LD0416/CEPerFed.
Abstract（参考訳）: マルチパルスMRI(Multi-pulse magnetic resonance imaging)はアルツハイマー病の診断などの臨床に広く用いられている。マルチパルスMRI分類のためのロバストなモデルをトレーニングするためには、さまざまな医療機関から多種多様なデータを必要とする。連立学習(FL)は、この問題に対処するための実現可能なソリューションであるが、データの不均一性や、モデル内で伝達される多数のパラメータによるかなりの通信オーバーヘッドの影響により、モデル収束の課題を提起する。これらの課題に対処するため,通信効率の高いパーソナライズFL法CEPerFedを提案する。クライアント側の履歴リスク勾配と過去の平均勾配を組み込んで、局所的および大域的最適化を調整することにより、データの異質性の影響を緩和する。前者は、他のクライアントからのコントリビューションの重み付け、ローカル更新の信頼性の向上、後者はローカル更新とグローバル最適化の方向性の整合性を強化し、異種データディストリビューション間の安定した収束を保証するために使用される。高い通信オーバーヘッドに対処するため,モデル更新に必要な最重要情報のみを送信する階層型SVD(HSVD)戦略を提案する。 CEPerFed法の有効性を示す5つの分類課題の実験を行った。コードはhttps://github.com/LD0416/CEPerFed.comで公開される。

関連論文リスト

An Advanced Convolutional Neural Network for Bearing Fault Diagnosis under Limited Data [5.351573093028336]
本稿では,限られたデータの下で故障診断を行うための高度なデータ拡張とコントラッシブ・フーリエ・コンボリューション・フレームワーク(DAC-FCF)を提案する。 DAC-FCFは、ベースラインを最大32%上回る、大幅な改善を達成している。
論文参考訳（メタデータ） (2025-09-14T02:41:48Z)
FedMRL: Data Heterogeneity Aware Federated Multi-agent Deep Reinforcement Learning for Medical Imaging [12.307490659840845]
我々は,データの不均一性に対処する新しいマルチエージェント深層強化学習フレームワークであるFedMRLを紹介する。 FedMRLは、クライアント間の公平性を促進するために、新たな損失関数を導入し、最終グローバルモデルのバイアスを防ぐ。その結果,FedMRLが最先端技術よりも優れていることが示された。
論文参考訳（メタデータ） (2024-07-08T10:10:07Z)
An Aggregation-Free Federated Learning for Tackling Data Heterogeneity [50.44021981013037]
フェデレートラーニング(FL)は、分散データセットからの知識を活用する効果に頼っている。従来のFLメソッドでは、クライアントが前回のトレーニングラウンドからサーバが集約したグローバルモデルに基づいてローカルモデルを更新するアグリゲート-then-adaptフレームワークを採用している。我々は,新しいアグリゲーションフリーFLアルゴリズムであるFedAFを紹介する。
論文参考訳（メタデータ） (2024-04-29T05:55:23Z)
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)
Rethinking Client Drift in Federated Learning: A Logit Perspective [125.35844582366441]
フェデレートラーニング(FL)は、複数のクライアントが分散した方法で協調的に学習し、プライバシ保護を可能にする。その結果,局所モデルとグローバルモデルとのロジット差は,モデルが継続的に更新されるにつれて増大することがわかった。我々はFedCSDと呼ばれる新しいアルゴリズムを提案する。FedCSDは、ローカルモデルとグローバルモデルを調整するためのフェデレーションフレームワークにおけるクラスプロトタイプの類似度蒸留である。
論文参考訳（メタデータ） (2023-08-20T04:41:01Z)
Learning Personalized Brain Functional Connectivity of MDD Patients from Multiple Sites via Federated Bayesian Networks [9.873532358701803]
我々は,複数のベイズネットワークの同時学習のための連合型共同推定器NOTEARS-PFLを提案する。合成および実世界のマルチサイトRS-fMRIデータセットにおける提案手法の性能評価を行った。
論文参考訳（メタデータ） (2023-01-06T08:58:06Z)
FedFM: Anchor-based Feature Matching for Data Heterogeneity in Federated Learning [91.74206675452888]
本稿では,各クライアントの特徴を共有カテゴリーのアンカーにマッチさせる新しいFedFM法を提案する。効率と柔軟性を向上させるため,FedFM-Liteと呼ばれるFedFM変種を提案し,クライアントは同期時間と通信帯域幅のコストを少なくしてサーバと通信する。
論文参考訳（メタデータ） (2022-10-14T08:11:34Z)
FedDM: Iterative Distribution Matching for Communication-Efficient Federated Learning [87.08902493524556]
フェデレートラーニング(FL)は近年、学術や産業から注目を集めている。我々は,複数の局所的代理関数からグローバルなトレーニング目標を構築するためのFedDMを提案する。そこで本研究では,各クライアントにデータ集合を構築し,元のデータから得られた損失景観を局所的にマッチングする。
論文参考訳（メタデータ） (2022-07-20T04:55:18Z)
Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
論文参考訳（メタデータ） (2021-11-28T19:03:39Z)
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。