論文の概要: Federated Vision Transformer with Adaptive Focal Loss for Medical Image Classification

• arxiv url: http://arxiv.org/abs/2602.01633v1
• Date: Mon, 02 Feb 2026 04:47:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.905393
• Title: Federated Vision Transformer with Adaptive Focal Loss for Medical Image Classification
• Title（参考訳）: 医用画像分類のための適応的な焦点損失を有するフェデレーション・ビジョン・トランス
• Authors: Xinyuan Zhao, Yihang Wu, Ahmad Chaddad, Tareef Daqqaq, Reem Kateb,
• Abstract要約: Vision Transformer (ViT)のようなディープラーニングモデルは、一般的に大規模なデータセットを必要とする。 フェデレートラーニング(FL)は、データ交換なしでグローバルモデルアグリゲーションを可能にすることで、この問題に対処する。 本研究では,動的適応焦点損失(DAFL)と局所学習のためのクライアント認識集約戦略を活用するFLフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 8.412980809680471
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: While deep learning models like Vision Transformer (ViT) have achieved significant advances, they typically require large datasets. With data privacy regulations, access to many original datasets is restricted, especially medical images. Federated learning (FL) addresses this challenge by enabling global model aggregation without data exchange. However, the heterogeneity of the data and the class imbalance that exist in local clients pose challenges for the generalization of the model. This study proposes a FL framework leveraging a dynamic adaptive focal loss (DAFL) and a client-aware aggregation strategy for local training. Specifically, we design a dynamic class imbalance coefficient that adjusts based on each client's sample distribution and class data distribution, ensuring minority classes receive sufficient attention and preventing sparse data from being ignored. To address client heterogeneity, a weighted aggregation strategy is adopted, which adapts to data size and characteristics to better capture inter-client variations. The classification results on three public datasets (ISIC, Ocular Disease and RSNA-ICH) show that the proposed framework outperforms DenseNet121, ResNet50, ViT-S/16, ViT-L/32, FedCLIP, Swin Transformer, CoAtNet, and MixNet in most cases, with accuracy improvements ranging from 0.98\% to 41.69\%. Ablation studies on the imbalanced ISIC dataset validate the effectiveness of the proposed loss function and aggregation strategy compared to traditional loss functions and other FL approaches. The codes can be found at: https://github.com/AIPMLab/ViT-FLDAF.
• Abstract（参考訳）: Vision Transformer (ViT)のようなディープラーニングモデルは大きな進歩を遂げているが、通常は大きなデータセットを必要とする。 データプライバシー規則では、多くのオリジナルのデータセット、特に医療画像へのアクセスが制限されている。 フェデレートラーニング(FL)は、データ交換なしでグローバルモデルアグリゲーションを可能にすることで、この問題に対処する。 しかし、データの不均一性と局所的なクライアントに存在するクラス不均衡はモデルの一般化に挑戦する。 本研究では,動的適応焦点損失(DAFL)と局所学習のためのクライアント認識集約戦略を活用するFLフレームワークを提案する。 具体的には、各クライアントのサンプル分布とクラスデータ分布に基づいて調整を行う動的クラス不均衡係数を設計し、マイノリティクラスが十分な注意を払っていることを保証し、スパースデータの無視を防止する。 クライアントの不均一性に対処するために、データサイズと特性に適応し、クライアント間の変動をよりよくキャプチャする重み付け集約戦略が採用されている。 3つの公開データセット(ISIC、Ocular Disease、RSNA-ICH)の分類結果は、提案フレームワークがDenseNet121、ResNet50、ViT-S/16、ViT-L/32、FedCLIP、Swin Transformer、CoAtNet、MixNetよりも優れており、精度は0.98\%から41.69\%であることを示している。 不均衡ISICデータセットのアブレーション研究は、従来の損失関数や他のFLアプローチと比較して、提案された損失関数と集約戦略の有効性を検証した。 コードは、https://github.com/AIPMLab/ViT-FLDAFで参照できる。

関連論文リスト

• Dynamic Clustering for Personalized Federated Learning on Heterogeneous Edge Devices [10.51330114955586]
  フェデレートラーニング(FL)は、エッジデバイスがグローバルモデルを協調的に学習することを可能にする。 パーソナライズド・フェデレーション・ラーニング・システム(DC-PFL)のための動的クラスタリングアルゴリズムを提案する。 また,DC-PFLはトレーニング時間を大幅に短縮し,ベースラインに比べてモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2025-08-03T04:19:22Z)
• FedAWA: Adaptive Optimization of Aggregation Weights in Federated Learning Using Client Vectors [50.131271229165165]
  Federated Learning (FL)は、分散機械学習のための有望なフレームワークとして登場した。 ユーザの行動、好み、デバイス特性の相違から生じるデータの異質性は、連合学習にとって重要な課題である。 本稿では,学習過程におけるクライアントベクトルに基づくアダプティブ重み付けを適応的に調整する手法であるAdaptive Weight Aggregation (FedAWA)を提案する。
  論文  参考訳（メタデータ） (2025-03-20T04:49:40Z)
• FedLF: Adaptive Logit Adjustment and Feature Optimization in Federated Long-Tailed Learning [5.23984567704876]
  フェデレーション学習は、分散機械学習におけるプライバシの保護という課題にパラダイムを提供する。 伝統的なアプローチは、グローバルな長期データにおけるクラスワイドバイアスの現象に対処できない。 新しい手法であるFedLFは、適応ロジット調整、連続クラス中心最適化、特徴デコリレーションという、局所的なトレーニングフェーズに3つの修正を導入している。
  論文  参考訳（メタデータ） (2024-09-18T16:25:29Z)
• An Aggregation-Free Federated Learning for Tackling Data Heterogeneity [50.44021981013037]
  フェデレートラーニング(FL)は、分散データセットからの知識を活用する効果に頼っている。 従来のFLメソッドでは、クライアントが前回のトレーニングラウンドからサーバが集約したグローバルモデルに基づいてローカルモデルを更新するアグリゲート-then-adaptフレームワークを採用している。 我々は,新しいアグリゲーションフリーFLアルゴリズムであるFedAFを紹介する。
  論文  参考訳（メタデータ） (2024-04-29T05:55:23Z)
• FLASH: Federated Learning Across Simultaneous Heterogeneities [55.0981921695672]
  FLASH (Federated Learning Across Simultaneous Heterogeneities) は軽量かつ柔軟なクライアント選択アルゴリズムである。 ヘテロジニティの幅広い情報源の下で、最先端のFLフレームワークよりも優れています。 最先端のベースラインよりも大幅に、一貫性のある改善を実現している。
  論文  参考訳（メタデータ） (2024-02-13T20:04:39Z)
• Exploiting Label Skews in Federated Learning with Model Concatenation [39.38427550571378]
  Federated Learning(FL)は、生データを交換することなく、さまざまなデータオーナでディープラーニングを実行するための、有望なソリューションとして登場した。 非IID型では、ラベルスキューは困難であり、画像分類やその他のタスクで一般的である。 我々は,これらの局所モデルをグローバルモデルの基礎として分解する,シンプルで効果的なアプローチであるFedConcatを提案する。
  論文  参考訳（メタデータ） (2023-12-11T10:44:52Z)
• Towards Instance-adaptive Inference for Federated Learning [80.38701896056828]
  Federated Learning(FL)は、複数のクライアントがローカルトレーニングを集約することで、強力なグローバルモデルを学ぶことができる分散学習パラダイムである。 本稿では,FedInsという新しいFLアルゴリズムを提案する。 我々のFedInsは、Tiny-ImageNet上での通信コストが15%未満で、トップパフォーマンスの手法に対して6.64%の改善など、最先端のFLアルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-11T09:58:47Z)
• Gradient Masked Averaging for Federated Learning [24.687254139644736]
  フェデレートラーニングは、統一グローバルモデルの学習を協調するために、異種データを持つ多数のクライアントを可能にする。 標準FLアルゴリズムは、サーバのグローバルモデルを近似するために、モデルパラメータや勾配の更新を平均化する。 本稿では,クライアント更新の標準平均化の代替として,FLの勾配マスク平均化手法を提案する。
  論文  参考訳（メタデータ） (2022-01-28T08:42:43Z)

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。