論文の概要: FecalFed: Privacy-Preserving Poultry Disease Detection via Federated Learning

• arxiv url: http://arxiv.org/abs/2604.00559v1
• Date: Wed, 01 Apr 2026 07:08:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.886092
• Title: FecalFed: Privacy-Preserving Poultry Disease Detection via Federated Learning
• Title（参考訳）: FecalFed: フェデレートラーニングによるプライバシ保護ポウトリー病検出
• Authors: Tien-Yu Chi,
• Abstract要約: 高病原性鳥インフルエンザ(HPAI)と内因性ポウトリー病の早期発見は,世界の食品安全にとって重要である。 コンピュータビジョンモデルは、糞便画像から病気を分類することに優れていますが、大規模にデプロイするシステムは、ファームデータプライバシの懸念と機関データサイロによってボトルネックがあります。 我々は,養鶏病分類のためのプライバシ保護フェデレーション学習フレームワークであるtextbfFecalFed$を紹介した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early detection of highly pathogenic avian influenza (HPAI) and endemic poultry diseases is critical for global food security. While computer vision models excel at classifying diseases from fecal imaging, deploying these systems at scale is bottlenecked by farm data privacy concerns and institutional data silos. Furthermore, existing open-source agricultural datasets frequently suffer from severe, undocumented data contamination. In this paper, we introduce $\textbf{FecalFed}$, a privacy-preserving federated learning framework for poultry disease classification. We first curate and release $\texttt{poultry-fecal-fl}$, a rigorously deduplicated dataset of 8,770 unique images across four disease classes, revealing and eliminating a 46.89$\%$ duplication rate in popular public repositories. To simulate realistic agricultural environments, we evaluate FecalFed under highly heterogeneous, non-IID conditions (Dirichlet $α=0.5$). While isolated single-farm training collapses under this data heterogeneity, yielding only 64.86$\%$ accuracy, our federated approach recovers performance without centralizing sensitive data. Specifically, utilizing server-side adaptive optimization (FedAdam) with a Swin-Small architecture achieves 90.31$\%$ accuracy, closely approaching the centralized upper bound of 95.10\%. Furthermore, we demonstrate that an edge-optimized Swin-Tiny model maintains highly competitive performance at 89.74$\%$, establishing a highly efficient, privacy-first blueprint for on-farm avian disease monitoring.
• Abstract（参考訳）: 高病原性鳥インフルエンザ(HPAI)と内因性ポウトリー病の早期発見は,世界の食品安全にとって重要である。 コンピュータビジョンモデルは、糞便画像から病気を分類するのが得意だが、これらのシステムを大規模に展開することは、ファームデータのプライバシに関する懸念や、制度的なデータサイロによってボトルネックとなる。 さらに、既存のオープンソースの農業データセットは、厳重で文書化されていないデータ汚染に悩まされることが多い。 本稿では,養鶏病分類のためのプライバシ保護フェデレーション学習フレームワークである$\textbf{FecalFed}$を紹介する。 これは、4つの疾患クラスにまたがる8,770のユニークなイメージの厳格に重複したデータセットで、人気のあるパブリックリポジトリで46.89$\%の重複率を明らかにし、削除します。 現実的な農業環境をシミュレートするため,FecalFedを高度に均一で非IID条件下で評価した(Dirichlet $α=0.5$)。 このデータの不均一性の下で孤立した単一ファームトレーニングは崩壊し、64.86$\%の精度しか得られないが、我々のフェデレートされたアプローチは、センシティブなデータを集中化せずに性能を回復する。 具体的には、サーバサイド適応最適化(FedAdam)をSwin-Smallアーキテクチャで利用することで90.31$\%の精度を実現し、中央値95.10\%に近づいた。 さらに、エッジ最適化のSwin-Tinyモデルが89.74$\%$で高い競争性能を維持し、オンファームの鳥の病気モニタリングのための高効率でプライバシー第一の青写真を確立することを実証した。

関連論文リスト

• A Domain-Adapted Lightweight Ensemble for Resource-Efficient Few-Shot Plant Disease Classification [0.0]
  ドメイン適応型MobileNetV2モデルとMobileNetV3モデルを組み合わせた数ショットの学習手法を提案する。 分類タスクには、注意機構を付加したBi-LSTM分類器を通す。 1発から15発のパフォーマンスを継続的に改善し、15発で98.23+-0.33%に達した。 また、以前のSOTAの精度も96.4%向上し、15ショットの学習で99.72%を記録した。
  論文  参考訳（メタデータ） (2025-12-15T15:17:29Z)
• Spatiotemporal Transformers for Predicting Avian Disease Risk from Migration Trajectories [0.0]
  本研究は,渡り鳥軌道の終点における感染リスクを予測するためのトランスフォーマーベースのフレームワークを提案する。 我々は、Movebankのデータ、World for Animal Healthのアウトブレイク記録など、マルチソースの地理空間データセットを統合する。 このモデルは、鳥の動きシーケンスから依存を学習し、病気のリスクを見積もる。
  論文  参考訳（メタデータ） (2025-10-17T02:33:33Z)
• Agro-Consensus: Semantic Self-Consistency in Vision-Language Models for Crop Disease Management in Developing Countries [2.2727733134290813]
  発展途上国の農業病管理は、専門家の植物病理学者に限られているため、重大な課題に直面している。 本研究は,農業用画像キャプションにおける視覚言語モデル(VLM)の信頼性向上を目的とした,費用対効果の高い自己整合性フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-11T19:41:07Z)
• Design and Implementation of FourCropNet: A CNN-Based System for Efficient Multi-Crop Disease Detection and Management [3.4161054453684705]
  本研究では,複数の作物の病原体を検出するための新しいディープラーニングモデルであるFourCropNetを提案する。 FourCropNetは、Grapeの99.7%、Cornの99.5%、組み合わせたデータセットの95.3%の最高精度を達成した。
  論文  参考訳（メタデータ） (2025-03-11T12:00:56Z)
• Privacy Amplification for the Gaussian Mechanism via Bounded Support [64.86780616066575]
  インスタンスごとの差分プライバシー(pDP)やフィッシャー情報損失(FIL)といったデータ依存のプライバシ会計フレームワークは、固定されたトレーニングデータセット内の個人に対してきめ細かいプライバシー保証を提供する。 本稿では,データ依存会計下でのプライバシ保証を向上することを示すとともに,バウンドサポートによるガウス機構の簡単な修正を提案する。
  論文  参考訳（メタデータ） (2024-03-07T21:22:07Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• Uncertainty-inspired Open Set Learning for Retinal Anomaly Identification [71.06194656633447]
  9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。 しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。 UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
  論文  参考訳（メタデータ） (2023-04-08T10:47:41Z)
• Cross-device Federated Learning for Mobile Health Diagnostics: A First Study on COVID-19 Detection [17.60965121379399]
  フェデレートラーニング(FL)は、健康診断モデルに多数の個人用エッジデバイスからのデータを組み込むことができる。 このような医療診断のためのデバイス横断FLアプローチは、ローカルデータ不均衡とグローバルデータ不均衡の両方のために、依然として多くの課題を課している。 健康診断のためのクロスデバイスFLフレームワークであるFedLossを提案する。
  論文  参考訳（メタデータ） (2023-03-13T12:42:02Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。