論文の概要: Benchmarking Federated Learning Frameworks for Medical Imaging Deployment: A Comparative Study of NVIDIA FLARE, Flower, and Owkin Substra

• arxiv url: http://arxiv.org/abs/2511.00037v1
• Date: Mon, 27 Oct 2025 18:51:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 20:56:29.042972
• Title: Benchmarking Federated Learning Frameworks for Medical Imaging Deployment: A Comparative Study of NVIDIA FLARE, Flower, and Owkin Substra
• Title（参考訳）: 医療画像展開のためのフェデレーション学習フレームワークのベンチマーク:NVIDIA FLARE, Flower, Owkin Substraの比較研究
• Authors: Riya Gupta, Alexander Chowdhury, Sahil Nalawade,
• Abstract要約: Federated Learning(FL)は、医療AIにおける変革的パラダイムとして登場し、直接的なデータ共有のない機関間での協調的なモデルトレーニングを可能にしている。 この研究では、NVIDIA FLARE、Flower、Owkin Substraの3つの著名なFLフレームワークをベンチマークし、実際の環境での医療画像アプリケーションへの適合性を評価する。
• 参考スコア（独自算出の注目度）: 42.11005349146957
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning (FL) has emerged as a transformative paradigm in medical AI, enabling collaborative model training across institutions without direct data sharing. This study benchmarks three prominent FL frameworks NVIDIA FLARE, Flower, and Owkin Substra to evaluate their suitability for medical imaging applications in real-world settings. Using the PathMNIST dataset, we assess model performance, convergence efficiency, communication overhead, scalability, and developer experience. Results indicate that NVIDIA FLARE offers superior production scalability, Flower provides flexibility for prototyping and academic research, and Owkin Substra demonstrates exceptional privacy and compliance features. Each framework exhibits strengths optimized for distinct use cases, emphasizing their relevance to practical deployment in healthcare environments.
• Abstract（参考訳）: Federated Learning(FL)は、医療AIにおける変革的パラダイムとして登場し、直接的なデータ共有のない機関間での協調的なモデルトレーニングを可能にしている。 この研究では、NVIDIA FLARE、Flower、Owkin Substraの3つの著名なFLフレームワークをベンチマークし、実際の環境での医療画像アプリケーションへの適合性を評価する。 PathMNISTデータセットを用いて、モデルの性能、収束効率、通信オーバーヘッド、スケーラビリティ、開発者エクスペリエンスを評価します。 結果はNVIDIA FLAREが優れたプロダクションスケーラビリティを提供し、Flowerはプロトタイピングと学術研究に柔軟性を提供し、Owkin Substraは例外的なプライバシとコンプライアンス機能を示していることを示している。 各フレームワークは、異なるユースケースに最適化された強度を示し、医療環境における実践的デプロイメントとの関連を強調している。

関連論文リスト

• A Unified Benchmark of Federated Learning with Kolmogorov-Arnold Networks for Medical Imaging [1.0450509067356146]
  Kolmogorov-Arnold Networks (KAN) はFederated Learning (FL) を効果的に置き換えることができる Kanは、分散医療におけるプライバシー保護医療画像アプリケーションのための、有望な代替手段だ。
  論文  参考訳（メタデータ） (2025-04-28T09:53:05Z)
• FACMIC: Federated Adaptative CLIP Model for Medical Image Classification [12.166024140377337]
  本稿では,CLIPモデルを用いた適応型コントラスト言語画像の分類処理について紹介する。 私たちはCLIP用の軽量で効率的な機能アテンションモジュールを採用し、各クライアントのデータに適した機能を選択します。 本稿では,クライアント間のデータ分散の差異を低減するためのドメイン適応手法を提案する。
  論文  参考訳（メタデータ） (2024-10-08T13:24:10Z)
• Implicitly Guided Design with PropEn: Match your Data to Follow the Gradient [52.2669490431145]
  PropEnは'matching'にインスパイアされている。 一致したデータセットによるトレーニングは、データ分布内に留まりながら、興味のある性質の勾配を近似することを示す。
  論文  参考訳（メタデータ） (2024-05-28T11:30:19Z)
• Handling Data Heterogeneity via Architectural Design for Federated Visual Recognition [16.50490537786593]
  4つのFLデータセットを用いて、5つの異なるアーキテクチャファミリからの19の視覚認識モデルについて検討する。 本研究は,現実的なシナリオにおけるコンピュータビジョンタスクにおけるアーキテクチャ設計の重要性を強調した。
  論文  参考訳（メタデータ） (2023-10-23T17:59:16Z)
• A Comprehensive View of Personalized Federated Learning on Heterogeneous Clinical Datasets [0.4926316920996346]
  フェデレートラーニング(FL)は、データサイロを克服する上で重要なアプローチである。 本研究は,臨床応用に焦点を当てたFL研究の進展に寄与する。
  論文  参考訳（メタデータ） (2023-09-28T20:12:17Z)
• StableLLaVA: Enhanced Visual Instruction Tuning with Synthesized Image-Dialogue Data [129.92449761766025]
  本稿では,視覚的インストラクションチューニングのための画像と対話を同期的に合成する新しいデータ収集手法を提案する。 このアプローチは生成モデルのパワーを活用し、ChatGPTとテキスト・ツー・イメージ生成モデルの能力とを結合する。 本研究は,各種データセットを対象とした総合的な実験を含む。
  論文  参考訳（メタデータ） (2023-08-20T12:43:52Z)
• UniDiff: Advancing Vision-Language Models with Generative and Discriminative Learning [86.91893533388628]
  本稿では、画像テキストコントラスト学習(ITC)、テキスト条件付き画像合成学習(IS)、相互意味整合性モデリング(RSC)を統合した統合マルチモーダルモデルUniDiffを提案する。 UniDiffはマルチモーダル理解と生成タスクの両方において汎用性を示す。
  論文  参考訳（メタデータ） (2023-06-01T15:39:38Z)
• UniFed: All-In-One Federated Learning Platform to Unify Open-Source Frameworks [53.20176108643942]
  オープンソースフェデレートラーニング(FL)フレームワークを標準化する最初の統一プラットフォームであるUniFedを紹介します。 UniFedは、分散実験とデプロイメントのためのエンドツーエンドワークフローを合理化し、11の人気のあるオープンソースFLフレームワークを含んでいる。 機能、プライバシ保護、パフォーマンスの観点から、11の人気のあるFLフレームワークを評価し比較する。
  論文  参考訳（メタデータ） (2022-07-21T05:03:04Z)
• Differentially private federated deep learning for multi-site medical image segmentation [56.30543374146002]
  フェデレートラーニング(FL)のような協調機械学習技術は、データ転送なしで効果的に大規模なデータセット上でモデルのトレーニングを可能にする。 近年のイニシアチブでは、FLで訓練されたセグメンテーションモデルが、局所的に訓練されたモデルと同様のパフォーマンスを達成できることが示されている。 しかし、FLは完全なプライバシ保護技術ではなく、プライバシ中心の攻撃は秘密の患者データを開示することができる。
  論文  参考訳（メタデータ） (2021-07-06T12:57:32Z)

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。