論文の概要: Generalizable Hyperparameter Optimization for Federated Learning on Non-IID Cancer Images

• arxiv url: http://arxiv.org/abs/2601.12664v1
• Date: Mon, 19 Jan 2026 02:24:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.731739
• Title: Generalizable Hyperparameter Optimization for Federated Learning on Non-IID Cancer Images
• Title（参考訳）: 非IID癌画像におけるフェデレーション学習のための一般化可能なハイパーパラメータ最適化
• Authors: Elisa Gonçalves Ribeiro, Rodrigo Moreira, Larissa Ferreira Rodrigues Moreira, André Ricardo Backes,
• Abstract要約: がん組織学トレーニングのための深層学習は、臨床環境でのプライバシー制約と矛盾する。 がん組織学トレーニングのための深層学習は、臨床環境でのプライバシー制約と矛盾する。 フェデレートラーニング(FL)はデータをローカルに保つことでこれを緩和する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning for cancer histopathology training conflicts with privacy constraints in clinical settings. Federated Learning (FL) mitigates this by keeping data local; however, its performance depends on hyperparameter choices under non-independent and identically distributed (non-IID) client datasets. This paper examined whether hyperparameters optimized on one cancer imaging dataset generalized across non-IID federated scenarios. We considered binary histopathology tasks for ovarian and colorectal cancers. We perform centralized Bayesian hyperparameter optimization and transfer dataset-specific optima to the non-IID FL setup. The main contribution of this study is the introduction of a simple cross-dataset aggregation heuristic by combining configurations by averaging the learning rates and considering the modal optimizers and batch sizes. This combined configuration achieves a competitive classification performance.
• Abstract（参考訳）: がん組織学トレーニングのための深層学習は、臨床環境でのプライバシー制約と矛盾する。 フェデレートラーニング(FL)はデータをローカルに保つことでこれを緩和するが、そのパフォーマンスは非独立かつ同一に分散された(非IID)クライアントデータセットの下でのハイパーパラメータの選択に依存する。 本研究では,非IIDフェデレーションシナリオで一般化した1つの癌画像データセットに最適化されたハイパーパラメータについて検討した。 卵巣癌と大腸癌の2次病理組織学的検討を行った。 集中型ベイズハイパーパラメータ最適化と,非IID FL設定に対するデータセット固有の最適化を行う。 本研究の主な貢献は、学習率を平均化し、モーダルオプティマイザとバッチサイズを考慮した構成を組み合わせることで、単純なデータセット集約ヒューリスティックを導入することである。 この組み合わせ構成は、競合する分類性能を達成する。

関連論文リスト

• Feature Importance Guided Random Forest Learning with Simulated Annealing Based Hyperparameter Tuning [0.0]
  本稿では,確率的特徴サンプリングとハイパーパラメータチューニングを統合したランダムフォレスト分類器の高速化のための新しいフレームワークを提案する。 リスク評価,IoTエコシステムの異常検出,早期診断,高次元生物学的データ分析など,さまざまな領域にわたる堅牢な分類の課題に対処する。 その結果,特徴的関連性に対する一貫した精度向上と有意義な洞察が示され,注意深いサンプリングとメタヒューリスティック最適化の併用の有効性が示された。
  論文  参考訳（メタデータ） (2025-10-31T12:14:53Z)
• Adaptive and Robust DBSCAN with Multi-agent Reinforcement Learning [53.527506374566485]
  本稿では,多エージェント強化学習クラスタフレームワーク,すなわちAR-DBSCANを用いた新しいAdaptive and Robust DBSCANを提案する。 我々は、AR-DBSCANが、NMIおよびARIメトリクスの最大144.1%と175.3%のクラスタリング精度を向上するだけでなく、支配的なパラメータを確実に見つけることができることを示した。
  論文  参考訳（メタデータ） (2025-05-07T11:37:23Z)
• Adaptive Preference Scaling for Reinforcement Learning with Human Feedback [103.36048042664768]
  人間からのフィードバックからの強化学習(RLHF)は、AIシステムと人間の価値を合わせるための一般的なアプローチである。 本稿では,分散ロバスト最適化(DRO)に基づく適応的優先損失を提案する。 提案手法は多用途であり,様々な選好最適化フレームワークに容易に適用可能である。
  論文  参考訳（メタデータ） (2024-06-04T20:33:22Z)
• Rethinking Clustered Federated Learning in NOMA Enhanced Wireless Networks [60.09912912343705]
  本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。 データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。 非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
  論文  参考訳（メタデータ） (2024-03-05T17:49:09Z)
• AUTOMATA: Gradient Based Data Subset Selection for Compute-Efficient Hyper-parameter Tuning [72.54359545547904]
  ハイパーパラメータチューニングのための勾配に基づくサブセット選択フレームワークを提案する。 ハイパーパラメータチューニングに勾配ベースのデータサブセットを用いることで、3$times$-30$times$のターンアラウンド時間とスピードアップが大幅に向上することを示す。
  論文  参考訳（メタデータ） (2022-03-15T19:25:01Z)
• Auto-FedRL: Federated Hyperparameter Optimization for Multi-institutional Medical Image Segmentation [48.821062916381685]
  Federated Learning(FL)は、明示的なデータ共有を避けながら協調的なモデルトレーニングを可能にする分散機械学習技術である。 本稿では,Auto-FedRLと呼ばれる,効率的な強化学習(RL)に基づくフェデレーションハイパーパラメータ最適化アルゴリズムを提案する。 提案手法の有効性は,CIFAR-10データセットと2つの実世界の医用画像セグメンテーションデータセットの不均一なデータ分割に対して検証される。
  論文  参考訳（メタデータ） (2022-03-12T04:11:42Z)
• Evaluation of Hyperparameter-Optimization Approaches in an Industrial Federated Learning System [0.2609784101826761]
  フェデレートラーニング(FL)は、データに直接アクセスする必要性からモデルのトレーニングを分離する。 本研究では,FLシステムにおける様々なパラメータ最適化手法の影響について検討した。 グリッド探索とベイズ最適化に基づいてこれらの手法を実装し,MNISTデータセットとIoT(Internet of Things)センサを用いた産業用データセットに基づくアルゴリズムの評価を行った。
  論文  参考訳（メタデータ） (2021-10-15T17:01:40Z)
• Genetic CFL: Optimization of Hyper-Parameters in Clustered Federated Learning [4.710427287359642]
  Federated Learning(FL)は、クライアントサーバアーキテクチャ、エッジコンピューティング、リアルタイムインテリジェンスを統合した、ディープラーニングのための分散モデルである。 FLは機械学習(ML)に革命を起こす能力を持っているが、技術的制限、通信オーバーヘッド、非IID(独立で同一の分散データ)、プライバシー上の懸念による実装の実践性に欠ける。 本稿では,遺伝的クラスタ化FL(Genetic CFL)と呼ばれるハイブリッドアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-07-15T10:16:05Z)
• Shared Space Transfer Learning for analyzing multi-site fMRI data [83.41324371491774]
  マルチボクセルパターン解析(MVPA)は、タスクベース機能磁気共鳴画像(fMRI)データから予測モデルを学習する。 MVPAはよく設計された機能セットと十分なサンプルサイズで機能する。 ほとんどのfMRIデータセットはノイズが多く、高次元で、収集するのに高価で、サンプルサイズも小さい。 本稿では,新しい伝達学習手法として共有空間移動学習(SSTL)を提案する。
  論文  参考訳（メタデータ） (2020-10-24T08:50:26Z)

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。