論文の概要: FedAgain: A Trust-Based and Robust Federated Learning Strategy for an Automated Kidney Stone Identification in Ureteroscopy

• arxiv url: http://arxiv.org/abs/2603.19512v1
• Date: Thu, 19 Mar 2026 22:40:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:38.910651
• Title: FedAgain: A Trust-Based and Robust Federated Learning Strategy for an Automated Kidney Stone Identification in Ureteroscopy
• Title（参考訳）: FedAgain: 尿管鏡におけるキドニー石の自動識別のための信頼とロバストなフェデレーション学習戦略
• Authors: Ivan Reyes-Amezcua, Francisco Lopez-Tiro, Clément Larose, Christian Daul, Andres Mendez-Vazquez, Gilberto Ochoa-Ruiz,
• Abstract要約: 本稿では,信頼に基づくフェデレートラーニング(フェデレートラーニング)戦略であるFedAgainを紹介する。 このフレームワークは、データプライバシを保持しながら、複数の機関にわたる協調モデルのトレーニングを可能にし、現実の条件下で安定した収束を促進する。
• 参考スコア（独自算出の注目度）: 6.025561073248826
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The reliability of artificial intelligence (AI) in medical imaging critically depends on its robustness to heterogeneous and corrupted images acquired with diverse devices across different hospitals which is highly challenging. Therefore, this paper introduces FedAgain, a trust-based Federated Learning (Federated Learning) strategy designed to enhance robustness and generalization for automated kidney stone identification from endoscopic images. FedAgain integrates a dual trust mechanism that combines benchmark reliability and model divergence to dynamically weight client contributions, mitigating the impact of noisy or adversarial updates during aggregation. The framework enables the training of collaborative models across multiple institutions while preserving data privacy and promoting stable convergence under real-world conditions. Extensive experiments across five datasets, including two canonical benchmarks (MNIST and CIFAR-10), two private multi-institutional kidney stone datasets, and one public dataset (MyStone), demonstrate that FedAgain consistently outperforms standard Federated Learning baselines under non-identically and independently distributed (non-IID) data and corrupted-client scenarios. By maintaining diagnostic accuracy and performance stability under varying conditions, FedAgain represents a practical advance toward reliable, privacy-preserving, and clinically deployable federated AI for medical imaging.
• Abstract（参考訳）: 医療画像における人工知能(AI)の信頼性は、様々な病院にまたがる多様なデバイスで取得された不均一で破損した画像に対する堅牢性に大きく依存する。 そこで本研究では,信頼性に基づくフェデレートラーニング(フェデレートラーニング)戦略であるFedAgainを紹介する。 FedAgainは、ベンチマークの信頼性とモデルのばらつきを組み合わせた二重信頼メカニズムを統合して、動的にクライアントのコントリビューションを重み付け、集約中のノイズや敵の更新の影響を軽減する。 このフレームワークは、データプライバシを保持しながら、複数の機関にわたる協調モデルのトレーニングを可能にし、現実の条件下で安定した収束を促進する。 2つの標準ベンチマーク(MNISTとCIFAR-10)、2つのプライベートな多施設腎臓結石データセット、1つの公開データセット(MyStone)を含む5つのデータセットにわたる大規模な実験は、FedAgainが標準のFederated Learningベースラインを、非同一かつ独立に分散した(非IID)データと破損したクライアントシナリオで一貫して上回っていることを実証している。 さまざまな条件下での診断精度とパフォーマンスの安定性を維持することにより、FedAgainは、医療画像のための信頼性、プライバシー保護、および臨床的にデプロイ可能なフェデレーションAIへの実践的な進歩を示している。

関連論文リスト

• Towards Reliable Medical LLMs: Benchmarking and Enhancing Confidence Estimation of Large Language Models in Medical Consultation [97.36081721024728]
  本稿では,現実的な医療相談におけるマルチターンインタラクションの信頼性を評価するための最初のベンチマークを提案する。 本ベンチマークでは,3種類の医療データを統合し,診断を行う。 本稿では,エビデンスを基盤とした言語自己評価フレームワークであるMedConfを紹介する。
  論文  参考訳（メタデータ） (2026-01-22T04:51:39Z)
• 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)
• OptiGradTrust: Byzantine-Robust Federated Learning with Multi-Feature Gradient Analysis and Reinforcement Learning-Based Trust Weighting [3.112384742740621]
  Federated Learning (FL)は、患者プライバシを保護しながら、分散医療機関間で協調的なモデルトレーニングを可能にする。 我々は,新しい6次元指紋による更新を評価する総合的な防衛フレームワークOptiGradTrustを提案する。 我々はフェデレートバッチ正規化と正規化を組み合わせたFedBN-ProxFedBN-Pを開発した。
  論文  参考訳（メタデータ） (2025-07-31T15:14:36Z)
• Decentralized LoRA Augmented Transformer with Context-aware Multi-scale Feature Learning for Secured Eye Diagnosis [2.1358421658740214]
  本稿では、コンテキスト認識型マルチスケールパッチ埋め込み、ローランド適応(LoRA)、知識蒸留、フェデレーション学習を統合し、これらの課題に統一的に対処する新しいデータ効率画像変換器(DeiT)ベースのフレームワークを提案する。 提案モデルでは,マルチスケールパッチ表現と局所的および大域的注意機構を活用することで,局所的および大域的網膜特徴を効果的に捉えている。
  論文  参考訳（メタデータ） (2025-05-11T13:51:56Z)
• 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)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Federated Uncertainty-Aware Aggregation for Fundus Diabetic Retinopathy Staging [42.883182872565044]
  本稿では,糖尿病網膜症(DR)ステージリングモデルのトレーニングのための新しいフェデレート不確実性認識集約パラダイム(FedUAA)を提案する。 FedUAAは各クライアントの信頼性を考慮し、DRステージングに対する信頼度を推定する。 実験の結果,FedUAAは,他のフェデレート学習法と比較して,信頼性の高いDRステージング性能が向上していることがわかった。
  論文  参考訳（メタデータ） (2023-03-23T04:41:44Z)
• FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality Brain Image Synthesis [55.939957482776194]
  我々は、教師なし脳画像合成におけるフェデレートドメイン翻訳のための新しいベンチマーク(FedMed-GAN)を提案する。 FedMed-GANは発電機の性能を犠牲にすることなくモード崩壊を緩和する。 FedMed-GANと他の集中型手法を比較するための総合的な評価を提供する。
  論文  参考訳（メタデータ） (2022-01-22T02:50:29Z)

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。