論文の概要: Trust Aware Federated Learning for Secure Bone Healing Stage Interpretation in e-Health

• arxiv url: http://arxiv.org/abs/2603.06646v1
• Date: Fri, 27 Feb 2026 11:28:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-15 16:38:22.475913
• Title: Trust Aware Federated Learning for Secure Bone Healing Stage Interpretation in e-Health
• Title（参考訳）: e-Healthにおける安全な骨修復段階解釈のための信頼度認識学習
• Authors: Paul Shepherd, Tasos Dagiuklas, Bugra Alkan, Joaquim Bastos, Jonathan Rodriguez,
• Abstract要約: 本稿では,骨治癒段階を解釈するための信頼度の高いフェデレーション学習フレームワークを提案する。 このフレームワークは、Flower FLフレームワークを使用してシミュレートされたクライアント間でトレーニングされた多層パーセプトロンモデルを採用している。
• 参考スコア（独自算出の注目度）: 3.523596898195567
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a trust aware federated learning (FL) framework for interpreting bone healing stages using spectral features derived from frequency response data. The primary objective is to address the challenge posed by either unreliable or adversarial participants in distributed medical sensing environments. The framework employs a multi-layer perceptron model trained across simulated clients using the Flower FL framework. The proposed approach integrates an Adaptive Trust Score Scaling and Filtering (ATSSSF) mechanism with exponential moving average (EMA) smoothing to assess, validate and filter client contributions.Two trust score smoothing strategies have been investigated, one with a fixed factor and another that adapts according to trust score variability. Clients with low trust are excluded from aggregation and readmitted once their reliability improves, ensuring model integrity while maintaining inclusivity. Standard classification metrics have been used to compare the performance of ATSSSF with the baseline Federated Averaging strategy. Experimental results demonstrate that adaptive trust management can improve both training stability and predictive performance by mitigating the negative effects of compromised clients while retaining robust detection capabilities. The work establishes the feasibility for adaptive trust mechanisms in federated medical sensing and identifies extension to clinical cross silo aggregation as a future research direction.
• Abstract（参考訳）: 本稿では,周波数応答データから得られたスペクトル特徴を用いて骨治癒段階を解釈するための信頼意識型フェデレーション学習(FL)フレームワークを提案する。 主な目的は、分散医療センシング環境において、信頼できない、あるいは敵対的な参加者によって引き起こされる課題に対処することである。 このフレームワークは、Flower FLフレームワークを使用してシミュレートされたクライアント間でトレーニングされた多層パーセプトロンモデルを採用している。 提案手法は,適応信頼スコアスケーリング(ATSSSF)機構と指数移動平均(EMA)スムースメントを統合し,クライアントのコントリビューションを評価し,検証し,フィルタする。 信頼度が低いクライアントはアグリゲーションから除外され、信頼性が向上するとリミットされる。 標準分類基準は、ATSSSFとベースラインのフェデレーション平均化戦略のパフォーマンスを比較するために使われてきた。 適応的信頼管理は、堅牢な検出能力を維持しつつ、妥協されたクライアントのネガティブな影響を軽減し、トレーニング安定性と予測性能を両立させることができることを示した。 この研究は、統合医療センシングにおける適応的信頼機構の実現可能性を確立し、臨床クロスサイロ凝集への拡張を将来の研究方向として特定する。

関連論文リスト

• Epistemic Context Learning: Building Trust the Right Way in LLM-Based Multi-Agent Systems [94.9141394384021]
  マルチエージェントシステムの個々のエージェントは、しばしば堅牢性を欠き、誤解を招く仲間に盲目的に適合する傾向にある。 この弱点は, 相互信頼度を評価する能力の欠如に起因していると考えられる。 まず,歴史認識参照の学習問題を定式化し,ピア間の歴史的相互作用を付加的な入力として導入する。 次に,歴史的に構築されたピアプロファイルの予測を行うための推論フレームワークであるEcestemic Context Learning (ECL) を開発した。
  論文  参考訳（メタデータ） (2026-01-29T13:59:32Z)
• FLARE: Adaptive Multi-Dimensional Reputation for Robust Client Reliability in Federated Learning [0.6524460254566904]
  フェデレートラーニング(FL)は、データのプライバシを維持しながら協調的なモデルトレーニングを可能にする。 ビザンツの攻撃、データ中毒、あるいは適応的な敵行動を通じてモデルの完全性を侵害する悪意のあるクライアントには、依然として脆弱である。 FLAREは,クライアントの信頼性評価を二分決定から連続的多次元信頼評価に変換するアダプティブな評価ベースフレームワークである。
  論文  参考訳（メタデータ） (2025-11-18T17:57:40Z)
• 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)
• Aurora: Are Android Malware Classifiers Reliable and Stable under Distribution Shift? [51.12297424766236]
  AURORAは、その信頼性と運用上のレジリエンスに基づいて、マルウェア分類器を評価するためのフレームワークである。 AURORAは、ポイント・イン・タイムのパフォーマンスを超えるように設計されたメトリクスのセットによって補完される。 さまざまなドリフトのデータセットにわたるSOTAフレームワークの脆弱性は、ホワイトボードへの復帰の必要性を示唆している。
  論文  参考訳（メタデータ） (2025-05-28T20:22:43Z)
• Enhancing Federated Survival Analysis through Peer-Driven Client Reputation in Healthcare [1.2289361708127877]
  Federated Learningは、患者のデータのプライバシを損なうことなく、協調的なモデルトレーニングを可能にすることで、デジタルヘルスを大いに約束する。 本稿では、分散化されたピアフィードバックとクラスタリングに基づくノイズハンドリングを統合した、フェデレーション型医療のためのピア駆動評価機構を提案する。 クライアント側のモデル更新に差分プライバシを適用することで、評判計算中に機密情報が保護されることが保証される。
  論文  参考訳（メタデータ） (2025-05-22T03:49:51Z)
• Revisit the Stability of Vanilla Federated Learning Under Diverse Conditions [3.237380113935023]
  Federated Learning(FL)は分散機械学習のパラダイムであり、分散化されたクライアント間で協調的なモデルトレーニングを可能にする。 種々の条件下でのバニラFedAvgアルゴリズムの安定性を再検討する。
  論文  参考訳（メタデータ） (2025-02-27T07:47:59Z)
• Reliable Federated Disentangling Network for Non-IID Domain Feature [62.73267904147804]
  本稿では、RFedDisと呼ばれる新しい信頼性のあるフェデレーション・ディエンタングリング・ネットワークを提案する。 我々の知る限り、提案するRFedDisは、明らかな不確実性と特徴の混在に基づくFLアプローチを開発する最初の試みである。 提案するRFedDisは,他の最先端FL手法と比較して信頼性の高い優れた性能を提供する。
  論文  参考訳（メタデータ） (2023-01-30T11:46:34Z)

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。