論文の概要: Personalized Federated Segmentation with Shared Feature Aggregation and Boundary-Focused Calibration

• arxiv url: http://arxiv.org/abs/2511.18847v1
• Date: Mon, 24 Nov 2025 07:40:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:25.085415
• Title: Personalized Federated Segmentation with Shared Feature Aggregation and Boundary-Focused Calibration
• Title（参考訳）: 共有特徴集合と境界焦点校正による個人化フェデレーション
• Authors: Ishmam Tashdeed, Md. Atiqur Rahman, Sabrina Islam, Md. Azam Hossain,
• Abstract要約: 臓器腫瘍セグメンテーション(FedOAP)のための新しいパーソナライズド・フェデレーション・アプローチについて紹介する。 FedOAPは分離されたクロスアテンション(DCA)を採用しており、各クライアントは、すべてのクライアントから集約されたグローバルに共有されたキーと値のペアに出席しながら、ローカルクエリを保持することができる。 大規模な実験により、FedOAPは既存の最先端のフェデレーションとパーソナライズされたセグメンテーションメソッドを一貫して上回っていることが示された。
• 参考スコア（独自算出の注目度）: 1.0645439113389938
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personalized federated learning (PFL) possesses the unique capability of preserving data confidentiality among clients while tackling the data heterogeneity problem of non-independent and identically distributed (Non-IID) data. Its advantages have led to widespread adoption in domains such as medical image segmentation. However, the existing approaches mostly overlook the potential benefits of leveraging shared features across clients, where each client contains segmentation data of different organs. In this work, we introduce a novel personalized federated approach for organ agnostic tumor segmentation (FedOAP), that utilizes cross-attention to model long-range dependencies among the shared features of different clients and a boundary-aware loss to improve segmentation consistency. FedOAP employs a decoupled cross-attention (DCA), which enables each client to retain local queries while attending to globally shared key-value pairs aggregated from all clients, thereby capturing long-range inter-organ feature dependencies. Additionally, we introduce perturbed boundary loss (PBL) which focuses on the inconsistencies of the predicted mask's boundary for each client, forcing the model to localize the margins more precisely. We evaluate FedOAP on diverse tumor segmentation tasks spanning different organs. Extensive experiments demonstrate that FedOAP consistently outperforms existing state-of-the-art federated and personalized segmentation methods.
• Abstract（参考訳）: パーソナライズド・フェデレーション・ラーニング(PFL)は、非独立かつ同一に分散された(Non-IID)データの不均一性問題に対処しながら、クライアント間でデータの機密性を保持するユニークな能力を有する。 その利点は、医用画像セグメンテーションなどの領域で広く採用されている。 しかし、既存のアプローチは主に、各クライアントが異なるオルガンのセグメンテーションデータを含む、クライアント間で共有機能を利用することの潜在的な利点を見落としている。 本研究では,異なるクライアントの共有特徴間の長距離依存性をモデル化するクロスアテンションと,セグメンテーションの整合性を改善するための境界認識損失を利用した,臓器非依存性腫瘍セグメンテーション(FedOAP)のための新たなパーソナライズされたアプローチを提案する。 FedOAPは分離されたクロスアテンション(DCA)を採用しており、これにより各クライアントは、すべてのクライアントから集約されたグローバルに共有されるキーと値のペアに出席しながら、ローカルクエリを保持できる。 さらに,各クライアントに対する予測マスク境界の不整合に着目した摂動境界損失(PBL)を導入し,より正確にマージンをローカライズする。 異なる臓器にまたがる多彩な腫瘍セグメンテーションタスクにおけるFedOAPの評価を行った。 大規模な実験により、FedOAPは既存の最先端のフェデレーションとパーソナライズされたセグメンテーションメソッドを一貫して上回っていることが示された。

関連論文リスト

• Towards Federated Clustering: A Client-wise Private Graph Aggregation Framework [57.04850867402913]
  フェデレーションクラスタリングは、分散化されたラベルのないデータからパターンを抽出する課題に対処する。 本研究では,プライバシ保護のための知識共有媒体として,局所構造グラフを革新的に活用する新しいアルゴリズムSPP-FGCを提案する。 我々のフレームワークは最先端のパフォーマンスを実現し、認証可能なプライバシー保証を維持しつつ、フェデレーションベースラインよりも最大10%(NMI)のクラスタリング精度を向上させる。
  論文  参考訳（メタデータ） (2025-11-14T03:05:22Z)
• Adversarial Versus Federated: An Adversarial Learning based Multi-Modality Cross-Domain Federated Medical Segmentation [30.99222543580891]
  フェデレーション学習は、異なるクライアント間で機械学習モデルの協調トレーニングを可能にする。 我々は新しいフェデレーションドメイン適応(FedDA)セグメンテーショントレーニングフレームワークを提案する。 提案するFedDAは、クロスドメインのフェデレーションアグリゲーションを実現し、クロスモダリティ処理機能を備えた単一モダリティクライアントを実現する。
  論文  参考訳（メタデータ） (2025-09-28T14:26:04Z)
• pFedSAM: Personalized Federated Learning of Segment Anything Model for Medical Image Segmentation [23.86147005761286]
  医用画像セグメンテーションにおける異種データシナリオに適した,最初のパーソナライズされたSAMフレームワークを提案する。 本フレームワークは,(1)ドメイン特化機能を維持するために設計したL-MoEコンポーネントを維持しつつ,グローバルパラメータのみを集約するパーソナライズされた戦略,(2)知識蒸留による教師-学生パラダイムを活用した,グローバル共有モデルとパーソナライズされたローカルモデルのギャップを埋める分離されたグローバルローカル微調整機構,の2つの重要なイノベーションを統合する。
  論文  参考訳（メタデータ） (2025-09-19T06:05:35Z)
• FedIFL: A federated cross-domain diagnostic framework for motor-driven systems with inconsistent fault modes [3.7484930660613203]
  本稿では,フェデレート不変特徴学習(Federated Invariant Features Learning, FedIFL)と呼ばれるクロスドメイン診断フレームワークを提案する。 実世界のMDS実験は, 整合性障害モードを伴う相互ドメイン診断におけるFedIFLの有効性と優位性を検証する。
  論文  参考訳（メタデータ） (2025-05-12T08:00:49Z)
• Federated Client-tailored Adapter for Medical Image Segmentation [21.964553228831427]
  医用画像セグメンテーションのための新しいFCAフレームワークを提案する。 FCAは、機密なローカルデータを共有せずに、安定かつクライアントに適したセグメンテーションを実現する。 我々は、アダプタを共通コンポーネントと個別コンポーネントに適応的に分解する2つのクライアント調整されたフェデレーション更新戦略を開発する。
  論文  参考訳（メタデータ） (2025-04-25T02:20:25Z)
• Optimizing Cross-Client Domain Coverage for Federated Instruction Tuning of Large Language Models [87.49293964617128]
  大規模言語モデル(LLM)のためのFedDIT(Federated Domain-specific instruction tuning)は、分散プライベートデータと限定データを用いて、特定のドメインの性能を向上させることを目的としている。 データ不均一性ではなく、クロスクライアントなドメインカバレッジが重要な要素であることを実証的に証明します。 我々は多様性指向のクライアントセンターの選択と検索に基づく拡張を通じて、このカバレッジを明示的に最大化するアルゴリズムであるFedDCAを紹介する。
  論文  参考訳（メタデータ） (2024-09-30T09:34:31Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• FCA: Taming Long-tailed Federated Medical Image Classification by Classifier Anchoring [26.07488492998861]
  フェデレートラーニング(Federated Learning)は、データを共有することなく、ディープモデルを協調的にトレーニングすることを可能にする。 我々は、各クライアントにパーソナライズされた分類器を追加して、フェデレーションモデルのガイドとデバイアスを行うことにより、フェデレーション分類器アンカー(FCA)を提案する。 FCAは、連合型長い尾状皮膚病変の分類と頭蓋内出血の分類において、大きなマージンを有する最先端の方法よりも優れている。
  論文  参考訳（メタデータ） (2023-05-01T09:36:48Z)
• 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)
• FedDG: Federated Domain Generalization on Medical Image Segmentation via Episodic Learning in Continuous Frequency Space [63.43592895652803]
  フェデレーションラーニングは、分散医療機関がプライバシ保護を備えた共有予測モデルを共同で学習することを可能にします。 臨床展開では、連合学習で訓練されたモデルは、連邦外の完全に見えない病院に適用された場合、パフォーマンス低下に苦しむ可能性がある。 そこで本研究では,この問題に対してELCFS(Episodic Learning in Continuous frequency Space)と呼ばれる新しいアプローチを提案する。 本手法の有効性は,2つの医用画像分割作業における最先端および深部アブレーション実験よりも優れていた。
  論文  参考訳（メタデータ） (2021-03-10T13:05:23Z)

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。