論文の概要: EcoFair: Trustworthy and Energy-Aware Routing for Privacy-Preserving Vertically Partitioned Medical Inference

• arxiv url: http://arxiv.org/abs/2603.26483v1
• Date: Fri, 27 Mar 2026 14:45:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.55314
• Title: EcoFair: Trustworthy and Energy-Aware Routing for Privacy-Preserving Vertically Partitioned Medical Inference
• Title（参考訳）: EcoFair:プライバシ保護のための信頼性とエネルギー意識のルーティング
• Authors: Mostafa Anoosha, Dhavalkumar Thakker, Kuniko Paxton, Koorosh Aslansefat, Bhupesh Kumar Mishra, Baseer Ahmad, Rameez Raja Kureshi,
• Abstract要約: 本稿では, 皮膚科診断のための縦割り推論フレームワークを提案する。 EcoFairは、より重い画像エンコーダを選択的に活性化する軽量ファーストルーティング機構を導入している。 実験により、EcoFairは代表モデルペアリングにおけるエッジ側推論エネルギーを著しく低減できることが示された。
• 参考スコア（独自算出の注目度）: 0.03908906925636173
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Privacy-preserving medical inference must balance data locality, diagnostic reliability, and deployment efficiency. This paper presents EcoFair, a simulated vertically partitioned inference framework for dermatological diagnosis in which raw image and tabular data remain local and only modality-specific embeddings are transmitted for server-side multimodal fusion. EcoFair introduces a lightweight-first routing mechanism that selectively activates a heavier image encoder when local uncertainty or metadata-derived clinical risk indicates that additional computation is warranted. The routing decision combines predictive uncertainty, a safe--danger probability gap, and a tabular neurosymbolic risk score derived from patient age and lesion localisation. Experiments on three dermatology benchmarks show that EcoFair can substantially reduce edge-side inference energy in representative model pairings while remaining competitive in classification performance. The results further indicate that selective routing can improve subgroup-sensitive malignant-case behaviour in representative settings without modifying the global training objective. These findings position EcoFair as a practical framework for privacy-preserving and energy-aware medical inference under edge deployment constraints.
• Abstract（参考訳）: プライバシを保存する医療推論は、データの局所性、診断信頼性、デプロイメント効率のバランスをとる必要がある。 本稿では, 原像と表層データのみを局所的に保持し, サーバ側マルチモーダル核融合のためにモダリティ特異的な埋め込みのみを伝達する, 皮膚科診断のための垂直分割型推論フレームワークであるEcoFairについて述べる。 EcoFairは、局所的な不確実性やメタデータに由来する臨床リスクが、追加の計算が保証されていることを示すときに、より重い画像エンコーダを選択的に活性化する軽量ファーストルーティング機構を導入している。 ルーティング決定は、予測の不確実性、安全な危険確率ギャップ、および患者の年齢と病変の局所性から導かれる表型神経象徴的リスクスコアを組み合わせる。 3つの皮膚学ベンチマークの実験により、EcoFairは、分類性能の競争力を維持しながら、代表モデルペアリングにおけるエッジ側推論エネルギーを著しく低減できることが示された。 さらに,選択的ルーティングは,グローバルトレーニングの目的を変更することなく,代表的設定におけるサブグループ感受性の悪性ケース行動を改善することができることを示した。 これらの知見は,EcoFairを,エッジデプロイメント制約下でのプライバシ保護およびエネルギー認識型医療推論の実践的枠組みとして位置づけた。

関連論文リスト

• TrustFed: Enabling Trustworthy Medical AI under Data Privacy Constraints [2.9567293946666173]
  フェデレーション学習は、患者の生データを共有することなく、プライバシ保護、複数施設でのトレーニングを可能にする。 TrustFedは、不均一で不均衡な医療データの下で、配布不要で有限サンプルのカバレッジ保証を提供する。 医用画像における不確実性を考慮したフェデレーション学習の包括的評価を行う。
  論文  参考訳（メタデータ） (2026-03-23T07:34:45Z)
• Edge-Native Generative De-identification: Inversion-Free Flow for Privacy-Preserving Federated Skin Image Analysis [1.8864137667201766]
  臨床皮膚学のためのフェデレートラーニング(FL)は、患者のプライバシ保護と診断機能の保存という競合する要件によって妨げられている。 本稿では,クライアント側プライバシ保護ユーティリティとして機能するアイデンティティに依存しない保存病理の枠組みを提案する。
  論文  参考訳（メタデータ） (2026-01-31T17:19:23Z)
• Adaptive Federated Few-Shot Rare-Disease Diagnosis with Energy-Aware Secure Aggregation [0.0]
  本稿では,アダプティブフェデレーション(Adaptive Federated Few-Shot Rare-Disease)診断フレームワークを提案する。 数ショットのフェデレーション最適化とメタラーニングを統合して、限られた患者サンプルから一般化する。 試験では、ベースラインFLに比べて10%精度が向上した。
  論文  参考訳（メタデータ） (2025-10-01T14:52:07Z)
• VesselRW: Weakly Supervised Subcutaneous Vessel Segmentation via Learned Random Walk Propagation [0.0]
  皮下血管の分節化に特化して設計された弱教師付きトレーニングフレームワークを提案する。 この方法は、センターライントレース、ドットマーカー、短いスクリブルといった、低コストでスパースなアノテーションを使用して学習プロセスをガイドする。 臨床皮下画像データセットを用いた実験により,本手法はナイーブなスパースラベルトレーニングと従来の擬似ラベル法の両方より一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-08-09T04:34:54Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)

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。