論文の概要: FedKDX: Federated Learning with Negative Knowledge Distillation for Enhanced Healthcare AI Systems

• arxiv url: http://arxiv.org/abs/2601.04587v1
• Date: Thu, 08 Jan 2026 04:35:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.037514
• Title: FedKDX: Federated Learning with Negative Knowledge Distillation for Enhanced Healthcare AI Systems
• Title（参考訳）: FedKDX: 医療AIシステムの強化のための負の知識蒸留によるフェデレートラーニング
• Authors: Quang-Tu Pham, Hoang-Dieu Vu, Dinh-Dat Pham, Hieu H. Pham,
• Abstract要約: FedKDXは、Negative Knowledge Distillation (NKD)を通じて医療AIの限界に対処する学習フレームワークである。 このフレームワークは、従来の知識蒸留、コントラスト学習、NKDを統合し、通信コストを削減しながらプライバシを維持する統一アーキテクチャと統合する。
• 参考スコア（独自算出の注目度）: 1.7499351967216341
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper introduces FedKDX, a federated learning framework that addresses limitations in healthcare AI through Negative Knowledge Distillation (NKD). Unlike existing approaches that focus solely on positive knowledge transfer, FedKDX captures both target and non-target information to improve model generalization in healthcare applications. The framework integrates multiple knowledge transfer techniques--including traditional knowledge distillation, contrastive learning, and NKD--within a unified architecture that maintains privacy while reducing communication costs. Through experiments on healthcare datasets (SLEEP, UCI-HAR, and PAMAP2), FedKDX demonstrates improved accuracy (up to 2.53% over state-of-the-art methods), faster convergence, and better performance on non-IID data distributions. Theoretical analysis supports NKD's contribution to addressing statistical heterogeneity in distributed healthcare data. The approach shows promise for privacy-sensitive medical applications under regulatory frameworks like HIPAA and GDPR, offering a balanced solution between performance and practical implementation requirements in decentralized healthcare settings. The code and model are available at https://github.com/phamdinhdat-ai/Fed_2024.
• Abstract（参考訳）: 本稿では、Ngative Knowledge Distillation (NKD)を通じて医療AIの限界に対処するフェデレート学習フレームワークであるFedKDXを紹介する。 ポジティブな知識伝達のみに焦点を当てた既存のアプローチとは異なり、FedKDXはターゲット情報と非ターゲット情報の両方をキャプチャして、医療アプリケーションにおけるモデル一般化を改善する。 このフレームワークは、従来の知識蒸留、コントラスト学習、NKDを含む複数の知識伝達技術と、通信コストを削減しながらプライバシを維持する統一アーキテクチャを統合している。 医療データセット(SLEEP、UCI-HAR、PAMAP2)の実験を通じて、FedKDXは精度の向上(最先端の手法で最大2.53%)、より高速な収束、非IIDデータ分散のパフォーマンス向上を実証している。 理論分析は、NKDの分散医療データにおける統計的不均一性への貢献を支持する。 このアプローチは、HIPAAやGDPRといった規制フレームワークの下でのプライバシに敏感な医療アプリケーションに対して、分散医療設定におけるパフォーマンスと実践的な実装要件のバランスのとれたソリューションを提供することを約束している。 コードとモデルはhttps://github.com/phamdinhdat-ai/Fed_2024で公開されている。

関連論文リスト

• A Robust Pipeline for Differentially Private Federated Learning on Imbalanced Clinical Data using SMOTETomek and FedProx [0.0]
  Federated Learning (FL)は、共同健康研究のための画期的なアプローチである。 FLは、差分プライバシー(DP)と組み合わせて正式なセキュリティ保証を提供する プライバシーユーティリティフロンティアで最適な運用領域が特定された。
  論文  参考訳（メタデータ） (2025-08-06T20:47:50Z)
• Revisiting Medical Image Retrieval via Knowledge Consolidation [46.6989555659494]
  本稿では,階層的特徴と機能に関する知識を集約する新しい手法を提案する。 本稿では,Depth-aware Representation Fusion (DaRF)とStructure-aware Contrastive Hashing (SCH)を紹介する。 解剖学的放射線学データセットの平均精度は5.6～38.9%向上した。
  論文  参考訳（メタデータ） (2025-03-12T13:16:42Z)
• Quantum-Inspired Privacy-Preserving Federated Learning Framework for Secure Dementia Classification [0.0]
  本稿では,認知症分類のための量子インスピレーション暗号技術とフェデレーション学習を統合した新しいフレームワークを提案する。 このフレームワークは、低所得国と中所得国でAI駆動型認知症診断へのアクセスを民主化する上で重要な意味を持つ。
  論文  参考訳（メタデータ） (2025-03-05T08:49:31Z)
• A Distributed Privacy Preserving Model for the Detection of Alzheimer's Disease [0.0]
  本稿では,分散データからトレーニングできるHIPAA準拠のフレームワークを提案する。 次に,アルツハイマー病(AD)検出のための多モード垂直フェデレーションモデルを提案する。 ここで提案されたVFLアーキテクチャは、多様な医療データソースをまたいだ協調学習を可能にする、新しい分散アーキテクチャを提供する。
  論文  参考訳（メタデータ） (2023-12-15T22:09:04Z)
• Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
  本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。 提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-27T14:39:41Z)
• Blockchain-empowered Federated Learning for Healthcare Metaverses: User-centric Incentive Mechanism with Optimal Data Freshness [66.3982155172418]
  まず、医療メタバースのための分散型フェデレートラーニング(FL)に基づく、ユーザ中心のプライバシ保護フレームワークを設計する。 次に,情報時代(AoI)を有効データ更新度指標として利用し,観測理論(PT)に基づくAoIベースの契約理論モデルを提案し,センシングデータ共有の動機付けを行う。
  論文  参考訳（メタデータ） (2023-07-29T12:54:03Z)
• Federated Offline Reinforcement Learning [55.326673977320574]
  マルチサイトマルコフ決定プロセスモデルを提案する。 我々は,オフラインRLを対象とした最初のフェデレーション最適化アルゴリズムを設計する。 提案アルゴリズムでは,学習ポリシーの準最適性は,データが分散していないような速度に匹敵する,理論的保証を与える。
  論文  参考訳（メタデータ） (2022-06-11T18:03:26Z)
• FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality Brain Image Synthesis [55.939957482776194]
  我々は、教師なし脳画像合成におけるフェデレートドメイン翻訳のための新しいベンチマーク(FedMed-GAN)を提案する。 FedMed-GANは発電機の性能を犠牲にすることなくモード崩壊を緩和する。 FedMed-GANと他の集中型手法を比較するための総合的な評価を提供する。
  論文  参考訳（メタデータ） (2022-01-22T02:50:29Z)

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。