論文の概要: TreeFedDG: Alleviating Global Drift in Federated Domain Generalization for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2510.18268v1
• Date: Tue, 21 Oct 2025 03:38:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:12.849156
• Title: TreeFedDG: Alleviating Global Drift in Federated Domain Generalization for Medical Image Segmentation
• Title（参考訳）: TreeFedDG: 医用画像分割のためのフェデレーションドメイン一般化におけるグローバルドリフトの軽減
• Authors: Yucheng Song, Chenxi Li, Haokang Ding, Zhining Liao, Zhifang Liao,
• Abstract要約: 医用画像のための新しいツリートポロジーフレームワーク、TreeFedDG(FedDG-GD)を提案する。 まず,木構造トポロジに基づく階層的パラメータアグリゲーション手法を設計し,大域的モデル方向のずれを抑制する。 次に,パラメータ差に基づくスタイル混合手法 (FedStyle) を提案する。 第3に、モデル配信中に段階的パーソナライズされた融合戦略を開発し、知識伝達とパーソナライズされた特徴のバランスを確保する。
• 参考スコア（独自算出の注目度）: 11.110381445769953
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In medical image segmentation tasks, Domain Generalization (DG) under the Federated Learning (FL) framework is crucial for addressing challenges related to privacy protection and data heterogeneity. However, traditional federated learning methods fail to account for the imbalance in information aggregation across clients in cross-domain scenarios, leading to the Global Drift (GD) problem and a consequent decline in model generalization performance. This motivates us to delve deeper and define a new critical issue: global drift in federated domain generalization for medical imaging (FedDG-GD). In this paper, we propose a novel tree topology framework called TreeFedDG. First, starting from the distributed characteristics of medical images, we design a hierarchical parameter aggregation method based on a tree-structured topology to suppress deviations in the global model direction. Second, we introduce a parameter difference-based style mixing method (FedStyle), which enforces mixing among clients with maximum parameter differences to enhance robustness against drift. Third, we develop a a progressive personalized fusion strategy during model distribution, ensuring a balance between knowledge transfer and personalized features. Finally, during the inference phase, we use feature similarity to guide the retrieval of the most relevant model chain from the tree structure for ensemble decision-making, thereby fully leveraging the advantages of hierarchical knowledge. We conducted extensive experiments on two publicly available datasets. The results demonstrate that our method outperforms other state-of-the-art domain generalization approaches in these challenging tasks and achieves better balance in cross-domain performance.
• Abstract（参考訳）: 医用画像のセグメンテーションタスクにおいて、フェデレートラーニング(FL)フレームワークに基づくドメイン一般化(DG)は、プライバシ保護とデータ不均一性に関連する課題に対処するために不可欠である。 しかし、従来のフェデレーション学習手法では、クロスドメインシナリオにおけるクライアント間の情報集約の不均衡を考慮できないため、グローバルドリフト(GD)問題とモデル一般化性能が低下する。 これは、医用画像(FedDG-GD)のためのフェデレーションドメインの一般化におけるグローバルドリフト(グローバルドリフト)という、より深く掘り下げて、新たな重要な問題を定義するためのモチベーションです。 本稿では,TreeFedDGと呼ばれる新しい木トポロジーフレームワークを提案する。 まず、医用画像の分布特性から、木構造トポロジに基づく階層的パラメータアグリゲーション法を設計し、グローバルモデル方向のずれを抑制する。 第2に,パラメータ差に基づくスタイル混合手法(FedStyle)を導入し,最大パラメータ差を持つクライアント間の混合を強制し,ドリフトに対する堅牢性を高める。 第3に、モデル配信中に段階的なパーソナライズされた融合戦略を開発し、知識伝達とパーソナライズされた特徴のバランスを確保する。 最後に,推定フェーズにおいて,木構造から最も関連性の高いモデルチェーンの検索を誘導し,階層的知識の利点を十分に活用する特徴的類似性を利用する。 2つの公開データセットについて広範な実験を行った。 その結果,本手法はこれらの課題において,最先端の領域一般化手法よりも優れており,ドメイン間性能のバランスが良好であることを示す。

関連論文リスト

• PathFL: Multi-Alignment Federated Learning for Pathology Image Segmentation [40.87628787589962]
  病理画像セグメンテーションのための新しいフェデレートラーニングフレームワークPathFLを提案する。 PathFLは、画像、特徴、モデルアグリゲーションの3段階のアライメント戦略を通じて、課題に対処する。
  論文  参考訳（メタデータ） (2025-05-28T16:09:02Z)
• Casual Inference via Style Bias Deconfounding for Domain Generalization [28.866189619091227]
  本稿では, 因果推論に基づく新しいフレームワークであるStyle Deconfounding Causal Learningを紹介する。 提案手法は、ドメイン一般化問題に適した構造因果モデル(SCM)の構築から始まり、スタイルの影響を考慮に入れたバックドア調整戦略を適用する。 この基礎の上に構築したSGEM(style-guided Expert Module)は,トレーニング中のスタイル分布を適応的にクラスタリングし,グローバルなコンバウンディングスタイルをキャプチャする。 バックドア因果学習モジュール(BDCL)は特徴抽出中に因果介入を行い、グローバルな共起スタイルをサンプル予測に適切に統合し、スタイルバイアスを効果的に低減する。
  論文  参考訳（メタデータ） (2025-03-21T04:52:31Z)
• FedDAG: Federated Domain Adversarial Generation Towards Generalizable Medical Image Analysis [13.028776283830686]
  Federated Domain Adversarial Generation (FedDAG)は、ドメインシフトをシミュレートし、モデルの一般化を改善することを目的としている。 オリジナル画像と生成された画像のインスタンスレベルの特徴差を最大化することにより、斬新な画像を生成する。 4つの医療ベンチマークの実験では、フェデラルな医療シナリオの一般化を強化するFedDAGの能力を実証している。
  論文  参考訳（メタデータ） (2025-01-22T07:08:45Z)
• A Novel Cross-Perturbation for Single Domain Generalization [54.612933105967606]
  単一ドメインの一般化は、モデルが単一のソースドメインでトレーニングされたときに未知のドメインに一般化する能力を高めることを目的としている。 トレーニングデータの限られた多様性は、ドメイン不変の特徴の学習を妨げ、結果として一般化性能を損なう。 トレーニングデータの多様性を高めるために,CPerbを提案する。
  論文  参考訳（メタデータ） (2023-08-02T03:16:12Z)
• FSAR: Federated Skeleton-based Action Recognition with Adaptive Topology Structure and Knowledge Distillation [23.0771949978506]
  既存の骨格に基づく行動認識手法は、典型的には集中学習パラダイムに従っており、人間関連のビデオを公開する際にプライバシー上の懸念を生じさせる。 我々は,局所的な機密データにアクセスせずにグローバルに一般化されたモデルを構築することのできる,新しいフェデレート・骨格に基づく行動認識(FSAR)パラダイムを導入する。
  論文  参考訳（メタデータ） (2023-06-19T16:18:14Z)
• Federated Domain Generalization for Image Recognition via Cross-Client Style Transfer [60.70102634957392]
  ドメイン一般化(Domain Generalization, DG)は、画像認識においてホットなトピックであり、目に見えないドメインでうまく機能する一般的なモデルを訓練することを目的としている。 本稿では,データサンプルを交換することなく,クロスクライアント型転送(CCST)による画像認識のための新しい領域一般化手法を提案する。 本手法は2つのDGベンチマーク(PACS, OfficeHome)とFL設定における大規模医用画像データセット(Camelyon17)において,最近のSOTA DG法より優れている。
  論文  参考訳（メタデータ） (2022-10-03T13:15:55Z)
• Federated and Generalized Person Re-identification through Domain and Feature Hallucinating [88.77196261300699]
  人物再識別(re-ID)におけるフェデレーションドメイン一般化(FedDG)の問題について検討する。 一般化された局所的・グローバルなモデルを学ぶための多様な特徴を創出する手法として,DFH (Domain and Feature Hallucinating) を提案する。 提案手法は4つの大規模re-IDベンチマークにおいてFedDGの最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-05T09:15:13Z)
• Towards Principled Disentanglement for Domain Generalization [90.9891372499545]
  機械学習モデルの根本的な課題は、アウト・オブ・ディストリビューション(OOD)データへの一般化である。 私たちはまず、DEC(Disentanglement-Constrained Domain Generalization)と呼ばれる制約付き最適化としてOOD一般化問題を定式化する。 この変換に基づいて、結合表現の不絡合と領域一般化のための原始双対アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-11-27T07:36:32Z)
• HCDG: A Hierarchical Consistency Framework for Domain Generalization on Medical Image Segmentation [33.623948922908184]
  ドメイン一般化のための新しい階層的一貫性フレームワーク(HCDG)を提案する。 Extrinsic Consistencyでは、複数のソースドメインにまたがる知識を活用して、データレベルの一貫性を強制します。 Intrinsic Consistencyでは、デュアルタスクシナリオの下で同じインスタンスに対してタスクレベルの一貫性を実行します。
  論文  参考訳（メタデータ） (2021-09-13T07:07:23Z)

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。