論文の概要: Energy-Efficient Federated Learning via Adaptive Encoder Freezing for MRI-to-CT Conversion: A Green AI-Guided Research

• arxiv url: http://arxiv.org/abs/2512.03054v1
• Date: Tue, 25 Nov 2025 14:35:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-04 20:02:54.915644
• Title: Energy-Efficient Federated Learning via Adaptive Encoder Freezing for MRI-to-CT Conversion: A Green AI-Guided Research
• Title（参考訳）: MRI-to-CT変換のための適応エンコーダ凍結によるエネルギー効率の高いフェデレーション学習:グリーンAIガイドによる研究
• Authors: Ciro Benito Raggio, Lucia Migliorelli, Nils Skupien, Mathias Krohmer Zabaleta, Oliver Blanck, Francesco Cicone, Giuseppe Lucio Cascini, Paolo Zaffino, Maria Francesca Spadea,
• Abstract要約: モデル性能を維持しながら、エネルギー消費と計算負荷を低減するため、グリーンAI指向の適応層凍結戦略を提案する。 提案手法は, エンコーダ重量の計測値とラウンド間の相対差に基づいて, エンコーダ重量を凍結することにより, フェデレーショントレーニングを最適化する。 また, 同等の非凍結環境と比較して, トレーニング時間, 総エネルギー消費量, CO2eq排出量を最大23%削減した。
• 参考スコア（独自算出の注目度）: 1.5194212252755026
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning (FL) holds the potential to advance equality in health by enabling diverse institutions to collaboratively train deep learning (DL) models, even with limited data. However, the significant resource requirements of FL often exclude centres with limited computational infrastructure, further widening existing healthcare disparities. To address this issue, we propose a Green AI-oriented adaptive layer-freezing strategy designed to reduce energy consumption and computational load while maintaining model performance. We tested our approach using different federated architectures for Magnetic Resonance Imaging (MRI)-to-Computed Tomography (CT) conversion. The proposed adaptive strategy optimises the federated training by selectively freezing the encoder weights based on the monitored relative difference of the encoder weights from round to round. A patience-based mechanism ensures that freezing only occurs when updates remain consistently minimal. The energy consumption and CO2eq emissions of the federation were tracked using the CodeCarbon library. Compared to equivalent non-frozen counterparts, our approach reduced training time, total energy consumption and CO2eq emissions by up to 23%. At the same time, the MRI-to-CT conversion performance was maintained, with only small variations in the Mean Absolute Error (MAE). Notably, for three out of the five evaluated architectures, no statistically significant differences were observed, while two architectures exhibited statistically significant improvements. Our work aligns with a research paradigm that promotes DL-based frameworks meeting clinical requirements while ensuring climatic, social, and economic sustainability. It lays the groundwork for novel FL evaluation frameworks, advancing privacy, equity and, more broadly, justice in AI-driven healthcare.
• Abstract（参考訳）: フェデレーテッド・ラーニング(FL)は、限られたデータであっても、多様な機関が協調してディープラーニング(DL)モデルを訓練できるようにすることで、健康における平等を向上する可能性を秘めている。 しかし、FLの重要なリソース要件は、計算インフラが限られているセンターを除外し、既存の医療格差をさらに広げることがしばしばある。 この問題に対処するため,モデル性能を維持しつつ,エネルギー消費と計算負荷を低減することを目的としたグリーンAI指向適応層凍結戦略を提案する。 MRI(MRI)-to-Computed Tomography(CT)変換のための異なるフェデレーションアーキテクチャを用いたアプローチを検証した。 提案した適応戦略は, エンコーダ重量の計測された相対差に基づいて, エンコーダ重量を選択的に凍結することにより, フェデレーショントレーニングを最適化する。 忍耐力に基づくメカニズムは、更新が一貫して最小限である場合にのみ凍結が発生することを保証します。 フェデレーションのエネルギー消費とCO2eq排出量をCodeCarbonライブラリーを用いて追跡した。 また, 同等の非凍結環境と比較して, トレーニング時間, 総エネルギー消費量, CO2eq排出量を最大23%削減した。 同時にMRI-CT変換性能は維持され、平均絶対誤差(MAE)はわずかであった。 特に5つの評価アーキテクチャのうち3つは統計的に有意な差は見られず、2つのアーキテクチャでは統計的に有意な改善が見られた。 本研究は,気候,社会,経済の持続可能性を確保しつつ,臨床要件を満たすDLベースのフレームワークを促進する研究パラダイムと整合する。 それは、新しいFL評価フレームワークの基礎を築き、プライバシ、エクイティ、そしてより広範に、AI駆動型ヘルスケアにおける正義を推進している。

関連論文リスト

• Green Resilience of Cyber-Physical Systems: Doctoral Dissertation [0.0]
  Online Collaborative AI System (OL-CAIS)は、共通の目標を達成するために、人間と共同でオンラインで学習するCPSである。 意思決定者はエネルギー負荷を抑えながら性能を回復し、レジリエンスとグリーンネスのトレードオフを生み出す必要がある。 本研究の目的は、自動状態検出のためのレジリエンスをモデル化し、グリーンネス・レジリエンストレードオフを最適化するエージェントベースのポリシーを開発し、パフォーマンスの整合性を維持するために破滅的な忘れを理解できるようにすることである。
  論文  参考訳（メタデータ） (2025-11-20T17:46:41Z)
• Rethinking Autoregressive Models for Lossless Image Compression via Hierarchical Parallelism and Progressive Adaptation [75.58269386927076]
  自己回帰(AR)モデルは、しばしば計算コストの禁止のために非現実的に除外される。 この研究は、階層的並列性とプログレッシブ適応に基づくフレームワークを導入して、このパラダイムを再考する。 各種データセット(自然,衛星,医療)の実験により,本手法が新たな最先端圧縮を実現することを確認した。
  論文  参考訳（メタデータ） (2025-11-14T06:27:58Z)
• CO-PFL: Contribution-Oriented Personalized Federated Learning for Heterogeneous Networks [51.43780477302533]
  コントリビューション指向型PFL(CO-PFL)は,グローバルアグリゲーションに対する各クライアントのコントリビューションを動的に推定するアルゴリズムである。 CO-PFLは、パーソナライズ精度、堅牢性、スケーラビリティ、収束安定性において、最先端の手法を一貫して超越している。
  論文  参考訳（メタデータ） (2025-10-23T05:10:06Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Heterogeneity-Aware Cooperative Federated Edge Learning with Adaptive Computation and Communication Compression [7.643645513353701]
  クラウドベースのフェデレーション・ラーニング(FL)の欠点により、モバイルエッジネットワーク上でのFLの効率を改善するために、協調フェデレーション・エッジ・ラーニング(CFEL)が提案されている。 CFELは、動的および不均一なデバイス特性から生じる重要な課題に直面し、収束を遅くし、リソース消費を増加させる。 本稿では、トレーニング時間とエネルギー消費を最小化し、モデル精度を最大化することを目的とした、textitHeterogeneity-Aware Cooperative Edge-based Federated Averaging (HCEF)と呼ばれる不均一性を考慮したCFEL方式を提案する。
  論文  参考訳（メタデータ） (2024-09-06T04:26:57Z)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• Magic ELF: Image Deraining Meets Association Learning and Transformer [63.761812092934576]
  本稿では,CNN と Transformer を統合化して,画像デライニングにおける学習のメリットを活用することを目的とする。 降雨除去と背景復旧を関連づける新しいマルチインプット・アテンション・モジュール (MAM) を提案する。 提案手法(ELF)は,最先端手法(MPRNet)を平均0.25dB向上させる。
  論文  参考訳（メタデータ） (2022-07-21T12:50:54Z)
• Targeted free energy estimation via learned mappings [66.20146549150475]
  自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。 FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。 目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
  論文  参考訳（メタデータ） (2020-02-12T11:10:00Z)

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。