論文の概要: Personalized Federated Learning with Residual Fisher Information for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2603.14848v1
• Date: Mon, 16 Mar 2026 05:47:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:36.074775
• Title: Personalized Federated Learning with Residual Fisher Information for Medical Image Segmentation
• Title（参考訳）: 医用画像セグメンテーションのための残留魚情報を用いた個人化フェデレーション学習
• Authors: Meilu Zhu, Yuxing Li, Zhiwei Wang, Edmund Y. Lam,
• Abstract要約: フェデレーション学習は、複数のクライアント(機関)がプライベートデータを共有せずに、協調的に機械学習モデルをトレーニングすることを可能にする。 本研究では,パラメータレベルでのクライアント適応パーソナライズを実現する新しいpFLフレームワークであるpFL-ResFIMを提案する。 公開データセットの実験では、pFL-ResFIMは最先端の手法を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 25.71219095327395
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning enables multiple clients (institutions) to collaboratively train machine learning models without sharing their private data. To address the challenge of data heterogeneity across clients, personalized federated learning (pFL) aims to learn customized models for each client. In this work, we propose pFL-ResFIM, a novel pFL framework that achieves client-adaptive personalization at the parameter level. Specifically, we introduce a new metric, Residual Fisher Information Matrix (ResFIM), to quantify the sensitivity of model parameters to domain discrepancies. To estimate ResFIM for each client model under privacy constraints, we employ a spectral transfer strategy that generates simulated data reflecting the domain styles of different clients. Based on the estimated ResFIM, we partition model parameters into domain-sensitive and domain-invariant components. A personalized model for each client is then constructed by aggregating only the domain-invariant parameters on the server. Extensive experiments on public datasets demonstrate that pFL-ResFIM consistently outperforms state-of-the-art methods, validating its effectiveness.
• Abstract（参考訳）: フェデレーション学習は、複数のクライアント(機関)がプライベートデータを共有せずに、協調的に機械学習モデルをトレーニングすることを可能にする。 クライアント間のデータ不均一性の課題に対処するために、パーソナライズされたフェデレーション学習(pFL)は、各クライアント用にカスタマイズされたモデルを学ぶことを目的としている。 本研究では,パラメータレベルでのクライアント適応パーソナライズを実現する新しいpFLフレームワークであるpFL-ResFIMを提案する。 具体的には,Residual Fisher Information Matrix (ResFIM, Residual Fisher Information Matrix, Residual Fisher Information Matrix, ResFIM, Residual Fisher Information Matrix, Residual Fisher Information Matrix, ResFIM)を提案する。 プライバシ制約下で各クライアントモデルのResFIMを推定するために、異なるクライアントのドメインスタイルを反映したシミュレーションデータを生成するスペクトル転送戦略を用いる。 推定されたResFIMに基づいて、モデルパラメータをドメイン感受性およびドメイン不変のコンポーネントに分割する。 次に、各クライアントのパーソナライズされたモデルは、サーバ上のドメイン不変パラメータのみを集約することによって構築されます。 公開データセットに関する大規模な実験は、pFL-ResFIMが最先端の手法を一貫して上回り、その有効性を検証していることを示している。

関連論文リスト

• FedPPA: Progressive Parameter Alignment for Personalized Federated Learning [0.9931624906346306]
  フェデレートラーニング(FL)は、複数のクライアントがデータを共有せずに協調的にモデルをトレーニングできる、分散されたプライバシ保護機械学習パラダイムとして設計されている。 実世界のシナリオでは、クライアントは不均一な計算資源を持ち、非独立で同一の分散データ(非IID)を保持し、トレーニング中に重大な課題を生じさせる。 本稿では,クライアント間の共通レイヤの重み付けとグローバルモデルの重み付けを段階的に整合させるプログレッシブアライメント(FedPPA)を提案する。 MNIST、FMNIST、CIFAR-10を含む3つの画像分類データセットの実験は、FedPPAが既存のFLアルゴリズムより一貫して優れていることを示した。
  論文  参考訳（メタデータ） (2025-10-16T14:03:05Z)
• Towards Instance-wise Personalized Federated Learning via Semi-Implicit Bayesian Prompt Tuning [17.4339566214049]
  pFedBayesPTは、視覚的なプロンプトチューニングに基づく、きめ細かいインスタンスワイズpFLフレームワークである。 半単純変分推論フレームワークを用いて変分学習目標を導出する。 ベンチマークデータセットの実験は、pFedBayesPTが既存のpFLメソッドを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-08-27T06:59:10Z)
• Not All Clients Are Equal: Collaborative Model Personalization on Heterogeneous Multi-Modal Clients [59.52341877720199]
  計算コストを伴わずに異種アーキテクチャ間の知識共有を可能にするFedMosaicを提案する。 実世界のタスクの多様性を模倣するために,40の異なるタスクにまたがるマルチモーダルPFLベンチマークを提案する。 実証研究は、FedMosaicが最先端のPFL法より優れていることを示している。
  論文  参考訳（メタデータ） (2025-05-20T09:17:07Z)
• PM-MOE: Mixture of Experts on Private Model Parameters for Personalized Federated Learning [14.681194790227085]
  フェデレーテッド・ラーニング(FL)は、プライバシー保護と協調学習能力で広く注目を集めている。 パーソナライズド・フェデレーション(Personalized Federated Learning)は、モデルをグローバルな共有部分とローカルなプライベート部分に分割することで、この問題に対処する。 本稿では、パーソナライズされたモジュールとエネルギーベースのパーソナライズされたモジュールを組み合わせたPM-MoEアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-02-01T07:20:21Z)
• FedReMa: Improving Personalized Federated Learning via Leveraging the Most Relevant Clients [13.98392319567057]
  Federated Learning (FL) は分散機械学習のパラダイムであり、分散計算と周期モデル合成によってグローバルに堅牢なモデルを実現する。 広く採用されているにもかかわらず、既存のFLとPFLの作業は、クラス不均衡の問題に包括的に対処していない。 本稿では,適応型クライアント間コラーニング手法を用いて,クラス不均衡に対処できる効率的なPFLアルゴリズムであるFedReMaを提案する。
  論文  参考訳（メタデータ） (2024-11-04T05:44:28Z)
• PFL-GAN: When Client Heterogeneity Meets Generative Models in Personalized Federated Learning [55.930403371398114]
  パーソナライズドラーニング(PFL)のための新しいGAN(Generative Adversarial Network)の共有と集約戦略を提案する。 PFL-GANは、異なるシナリオにおけるクライアントの不均一性に対処する。より具体的には、まずクライアント間の類似性を学び、次に重み付けされた協調データアグリゲーションを開発する。 いくつかのよく知られたデータセットに対する厳密な実験による実験結果は、PFL-GANの有効性を示している。
  論文  参考訳（メタデータ） (2023-08-23T22:38:35Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• Visual Prompt Based Personalized Federated Learning [83.04104655903846]
  pFedPTと呼ばれる画像分類タスクのための新しいPFLフレームワークを提案し、クライアントのローカルデータ配信情報を暗黙的に表現するためにパーソナライズされた視覚的プロンプトを利用する。 CIFAR10とCIFAR100データセットの実験では、pFedPTは様々な設定でいくつかの最先端(SOTA)PFLアルゴリズムより優れていた。
  論文  参考訳（メタデータ） (2023-03-15T15:02:15Z)
• Parameterized Knowledge Transfer for Personalized Federated Learning [11.223753730705374]
  異なるクライアントに対してパーソナライズされたモデルを採用するための新しいトレーニングフレームワークを提案する。 提案フレームワークは,パーソナライズされたモデルトレーニングを実現する最初のフェデレーション学習パラダイムであることが実証された。
  論文  参考訳（メタデータ） (2021-11-04T13:41:45Z)

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。