論文の概要: Breaking Data Efficiency Dilemma: A Federated and Augmented Learning Framework For Alzheimer's Disease Detection via Speech

• arxiv url: http://arxiv.org/abs/2602.14655v1
• Date: Mon, 16 Feb 2026 11:26:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:50.381629
• Title: Breaking Data Efficiency Dilemma: A Federated and Augmented Learning Framework For Alzheimer's Disease Detection via Speech
• Title（参考訳）: データ効率ジレンマを破る:音声によるアルツハイマー病検出のためのフェデレーションと強化学習フレームワーク
• Authors: Xiao Wei, Bin Wen, Yuqin Lin, Kai Li, Mingyang gu, Xiaobao Wang, Longbiao Wang, Jianwu Dang,
• Abstract要約: アルツハイマー病(AD)の早期診断は進行を遅らせるために重要である。 AIベースの音声検出は非侵襲的で費用対効果があるが、医療データ不足とプライバシー障壁のために、重要なデータ効率のジレンマに直面している。 本稿では、フェデレーション学習とデータ拡張を統合し、データ効率を体系的に最適化する新しいフレームワークであるFAL-ADを提案する。
• 参考スコア（独自算出の注目度）: 45.03975417998131
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Early diagnosis of Alzheimer's Disease (AD) is crucial for delaying its progression. While AI-based speech detection is non-invasive and cost-effective, it faces a critical data efficiency dilemma due to medical data scarcity and privacy barriers. Therefore, we propose FAL-AD, a novel framework that synergistically integrates federated learning with data augmentation to systematically optimize data efficiency. Our approach delivers three key breakthroughs: First, absolute efficiency improvement through voice conversion-based augmentation, which generates diverse pathological speech samples via cross-category voice-content recombination. Second, collaborative efficiency breakthrough via an adaptive federated learning paradigm, maximizing cross-institutional benefits under privacy constraints. Finally, representational efficiency optimization by an attentive cross-modal fusion model, which achieves fine-grained word-level alignment and acoustic-textual interaction. Evaluated on ADReSSo, FAL-AD achieves a state-of-the-art multi-modal accuracy of 91.52%, outperforming all centralized baselines and demonstrating a practical solution to the data efficiency dilemma. Our source code is publicly available at https://github.com/smileix/fal-ad.
• Abstract（参考訳）: アルツハイマー病(AD)の早期診断は進行を遅らせるために重要である。 AIベースの音声検出は非侵襲的で費用対効果があるが、医療データ不足とプライバシー障壁のために、重要なデータ効率のジレンマに直面している。 そこで本稿では,フェデレーション学習とデータ拡張を相乗的に統合し,データ効率を体系的に最適化する新しいフレームワークであるFAL-ADを提案する。 提案手法は3つの重要なブレークスルーを提供する: まず,音声変換に基づく拡張による絶対的効率の向上。 第2に、適応的フェデレーション学習パラダイムによる協調的効率のブレークスルーにより、プライバシ制約の下での施設間利益を最大化する。 最後に,微粒な単語レベルのアライメントと音-テクスチャ相互作用を実現する,注意型相互モーダル融合モデルによる表現効率の最適化を行う。 ADReSSoで評価すると、FAL-ADは最先端のマルチモーダル精度91.52%を達成し、すべての中央集権ベースラインを上回り、データ効率ジレンマの実用的な解決策を示す。 ソースコードはhttps://github.com/smileix/fal-ad.comで公開されています。

関連論文リスト

• Efficient Multi-Slide Visual-Language Feature Fusion for Placental Disease Classification [20.137166016134636]
  本研究では,EMmPDと命名された患者レベルの胎盤疾患診断のための効率的なマルチモーダルフレームワークを提案する。 本稿では,パラメータフリーと学習可能な圧縮戦略を組み合わせた2段階のパッチ選択モジュールを提案する。 我々は適応的なグラフ学習を活用して病理的特徴表現を強化するハイブリッドマルチモーダル融合モジュールを開発した。
  論文  参考訳（メタデータ） (2025-08-05T09:56:12Z)
• Acoustic Model Optimization over Multiple Data Sources: Merging and Valuation [13.009945735929445]
  本稿では,音声認識分野の課題を解くための新しいパラダイムを提案する。 最初の段階では、完全な音声データの異なるサブセットに基づいて複数の音響モデルを訓練する。 第2段階では、2つの新しいアルゴリズムを用いて高品質な音響モデルを生成する。
  論文  参考訳（メタデータ） (2024-10-21T03:48:23Z)
• PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly Detection [65.24854366973794]
  ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。 本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。 我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
  論文  参考訳（メタデータ） (2023-10-18T02:59:57Z)
• Communication-Efficient Federated Hypergradient Computation via Aggregated Iterative Differentiation [14.494626833445915]
  AggITDは実装が簡単で、通信コストを大幅に削減する。 提案アルゴリズムは,既存の近似暗黙差分法(AID)に基づく手法と同一のサンプル複雑性を実現する。
  論文  参考訳（メタデータ） (2023-02-09T23:07:34Z)
• Data Augmentation for Dementia Detection in Spoken Language [1.7324358447544175]
  最近のディープラーニング技術はより高速な診断を提供し、有望な結果を示している。 それらは大量のラベル付きデータを必要としており、認知症検出のタスクでは簡単には利用できない。 スパースデータ問題に対する効果的な解決策の1つは、データ拡張であるが、正確なメソッドを慎重に選択する必要がある。
  論文  参考訳（メタデータ） (2022-06-26T13:40:25Z)
• 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)

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。