論文の概要: Communication-Efficient Federated Risk Difference Estimation for Time-to-Event Clinical Outcomes

• arxiv url: http://arxiv.org/abs/2601.14609v1
• Date: Wed, 21 Jan 2026 02:59:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.220194
• Title: Communication-Efficient Federated Risk Difference Estimation for Time-to-Event Clinical Outcomes
• Title（参考訳）: タイム・ツー・イベント臨床結果に対するコミュニケーション効率のよいフェデレーションリスク差推定法
• Authors: Ziwen Wang, Siqi Li, Marcus Eng Hock Ong, Nan Liu,
• Abstract要約: FedRDは、分散サバイバルデータにおけるフェデレーションリスク差推定のための通信効率のよいフレームワークである。 FedAvgベースのフレームワークにはない信頼区間と仮説テストを提供する。 FedRDは、推定と予測の両方のパフォーマンスにおいて、ローカルベースラインとフェデレーションベースラインを上回っます。
• 参考スコア（独自算出の注目度）: 6.902175525401806
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Privacy-preserving model co-training in medical research is often hindered by server-dependent architectures incompatible with protected hospital data systems and by the predominant focus on relative effect measures (hazard ratios) which lack clinical interpretability for absolute survival risk assessment. We propose FedRD, a communication-efficient framework for federated risk difference estimation in distributed survival data. Unlike typical federated learning frameworks (e.g., FedAvg) that require persistent server connections and extensive iterative communication, FedRD is server-independent with minimal communication: one round of summary statistics exchange for the stratified model and three rounds for the unstratified model. Crucially, FedRD provides valid confidence intervals and hypothesis testing--capabilities absent in FedAvg-based frameworks. We provide theoretical guarantees by establishing the asymptotic properties of FedRD and prove that FedRD (unstratified) is asymptotically equivalent to pooled individual-level analysis. Simulation studies and real-world clinical applications across different countries demonstrate that FedRD outperforms local and federated baselines in both estimation accuracy and prediction performance, providing an architecturally feasible solution for absolute risk assessment in privacy-restricted, multi-site clinical studies.
• Abstract（参考訳）: 医療研究におけるプライバシー保護モデルの共同トレーニングは、保護された病院データシステムと相容れないサーバー依存アーキテクチャや、絶対的生存リスク評価の臨床的解釈性に欠ける相対的効果尺度(ハザード比)に主眼を置いている場合が多い。 分散サバイバルデータにおけるフェデレーションリスク差推定のための通信効率のよいフレームワークであるFedRDを提案する。 永続的なサーバ接続と広範な反復通信を必要とする一般的なフェデレーション学習フレームワーク(例えば、FedAvg)とは異なり、FedRDは最小限の通信でサーバに依存しない。 重要なことは、FedAvgベースのフレームワークにない信頼区間と仮説テストを提供する。 我々は、FedRDの漸近特性を確立し、FedRD(未成層)がプールされた個人レベルの分析と漸近的に等価であることを証明することによって理論的保証を提供する。 シミュレーション研究と実世界の臨床応用は、FedRDが、推定精度と予測性能の両方において、局所的および連邦的ベースラインよりも優れており、プライバシーに制限された多施設臨床研究における絶対的リスク評価のためのアーキテクチャ的に実現可能なソリューションを提供することを示した。

関連論文リスト

• Causal and Federated Multimodal Learning for Cardiovascular Risk Prediction under Heterogeneous Populations [0.0]
  我々は、クロスモーダルトランスフォーマーとグラフニューラルネットワークを統合した単一のマルチモーダル学習フレームワークを作成し、因果表現学習を行い、パーソナライズされたCVDリスクを測定する。 このモデルは、ゲノム変異、心臓MRI、心電図波形、ウェアラブルストリーム、構造化ERHデータを組み合わせてリスクを予測する。 本研究は,CVD予測に対する臨床的信頼度,解釈性,プライバシへの原則的アプローチの道を開くものである。
  論文  参考訳（メタデータ） (2026-01-05T14:32:49Z)
• RADAR: A Risk-Aware Dynamic Multi-Agent Framework for LLM Safety Evaluation via Role-Specialized Collaboration [81.38705556267917]
  大規模言語モデル(LLM)の既存の安全性評価手法は、固有の制約に悩まされている。 リスク概念空間を再構築する理論的枠組みを導入する。 マルチエージェント協調評価フレームワークRADARを提案する。
  論文  参考訳（メタデータ） (2025-09-28T09:35:32Z)
• FedFiTS: Fitness-Selected, Slotted Client Scheduling for Trustworthy Federated Learning in Healthcare AI [33.17279604575767]
  フェデレートラーニング(FL)は、プライバシ保護モデルトレーニングの強力なパラダイムとして登場したが、医療などのセンシティブなドメインへのデプロイは、永続的な課題に直面している。 本稿では、フィットネスベースのクライアント選挙とアダプティブアグリゲーションを組み合わせることで、FedFaStラインを前進させる信頼度の高い選択的FLTSであるFedFiTSを紹介する。
  論文  参考訳（メタデータ） (2025-09-23T15:06:04Z)
• A Comparative Benchmark of Federated Learning Strategies for Mortality Prediction on Heterogeneous and Imbalanced Clinical Data [0.0]
  フェデレートラーニング(FL)は、プライバシ保護ソリューションを提供するが、その非独立性とIdentically Distributed(非IID)と不均衡な条件下でのパフォーマンスには調査が必要である。 本研究では,FedAvg,FedProx,FedAdagrad,FedAdam,FedClusterの5つのフェデレーション学習戦略の比較ベンチマークを行った。 この結果から,FedProxのような正規化に基づくFLアルゴリズムは,不均一かつ不均衡な臨床予測タスクに対して,より堅牢で効果的なソリューションを提供することがわかった。
  論文  参考訳（メタデータ） (2025-09-03T11:32:57Z)
• 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)
• Collaborative Value Function Estimation Under Model Mismatch: A Federated Temporal Difference Analysis [55.13545823385091]
  フェデレーション強化学習(FedRL)は、エージェント間のデータ交換を防止し、データのプライバシを維持しながら協調学習を可能にする。 現実世界のアプリケーションでは、各エージェントは若干異なる遷移ダイナミクスを経験し、固有のモデルミスマッチを引き起こす。 情報共有の適度なレベルでさえ、環境固有のエラーを著しく軽減することを示す。
  論文  参考訳（メタデータ） (2025-03-21T18:06:28Z)
• Developing Federated Time-to-Event Scores Using Heterogeneous Real-World Survival Data [8.3734832069509]
  既存のサバイバルスコアの構築方法は、データが単一のソースに由来することを前提としている。 本稿では,多地点生存のための統合スコアリングシステムを構築するための新しいフレームワークを提案する。 参加者各サイトからのデータセットのテストにおいて,提案するフェデレーションスコアリングシステムは,すべての局所モデルより一貫して優れていた。
  論文  参考訳（メタデータ） (2024-03-08T11:32:00Z)

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。