論文の概要: BVFLMSP : Bayesian Vertical Federated Learning for Multimodal Survival with Privacy

• arxiv url: http://arxiv.org/abs/2604.02248v1
• Date: Thu, 02 Apr 2026 16:37:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.922082
• Title: BVFLMSP : Bayesian Vertical Federated Learning for Multimodal Survival with Privacy
• Title（参考訳）: BVFLMSP : プライバシによる多モーダル生存のためのベイジアン垂直フェデレーション学習
• Authors: Abhilash Kar, Basisth Saha, Tanmay Sen, Biswabrata Pradhan,
• Abstract要約: マルチモーダルな時間とイベントの予測には、複数のパーティに分散したセンシティブなデータを統合する必要があることが多い。 既存の多くのマルチモーダルサバイバルモデルは、モデルがその推定値にどれだけ自信があるかを示すことなく、単一の決定論的予測を生成する。 分割ニューラルネットワークアーキテクチャに基づくマルチモーダル時間対イベント分析のためのフレームワークであるBVFLMSPを提案する。
• 参考スコア（独自算出の注目度）: 0.055997926295092294
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal time-to-event prediction often requires integrating sensitive data distributed across multiple parties, making centralized model training impractical due to privacy constraints. At the same time, most existing multimodal survival models produce single deterministic predictions without indicating how confident the model is in its estimates, which can limit their reliability in real-world decision making. To address these challenges, we propose BVFLMSP, a Bayesian Vertical Federated Learning (VFL) framework for multimodal time-to-event analysis based on a Split Neural Network architecture. In BVFLMSP, each client independently models a specific data modality using a Bayesian neural network, while a central server aggregates intermediate representations to perform survival risk prediction. To enhance privacy, we integrate differential privacy mechanisms by perturbing client side representations before transmission, providing formal privacy guarantees against information leakage during federated training. We first evaluate our Bayesian multimodal survival model against widely used single modality survival baselines and the centralized multimodal baseline MultiSurv. Across multimodal settings, the proposed method shows consistent improvements in discrimination performance, with up to 0.02 higher C-index compared to MultiSurv. We then compare federated and centralized learning under varying privacy budgets across different modality combinations, highlighting the tradeoff between predictive performance and privacy. Experimental results show that BVFLMSP effectively includes multimodal data, improves survival prediction over existing baselines, and remains robust under strict privacy constraints while providing uncertainty estimates.
• Abstract（参考訳）: マルチモーダルな時間とイベントの予測には、複数のパーティに分散した機密データを統合する必要がある場合が多い。 同時に、既存の多くのマルチモーダルサバイバルモデルは、モデルが見積にどの程度自信を持っているかを示すことなく、単一の決定論的予測を生成し、現実の意思決定における信頼性を制限することができる。 これらの課題に対処するために,分割ニューラルネットワークアーキテクチャに基づくマルチモーダル時間対イベント分析のためのベイジアン垂直型フェデレートラーニング(VFL)フレームワークであるBVFLMSPを提案する。 BVFLMSPでは、各クライアントがベイズニューラルネットワークを使用して特定のデータモダリティを独立にモデル化し、中央サーバが中間表現を集約して生存リスク予測を行う。 プライバシを高めるために,送信前にクライアント側の表現を妨害し,フェデレートトレーニング中の情報漏洩に対する正式なプライバシ保証を提供することにより,差分プライバシ機構を統合する。 まず,広く使用されている単一モーダルサバイバルベースラインと集中型マルチモーダルベースラインMultiSurvに対してベイズ的マルチモーダルサバイバルモデルを評価する。 マルチモーダル設定全体では,MultiSurvと比較して最大0.02のC-インデックスを持つ識別性能が一貫した向上を示した。 次に、さまざまなモダリティの組み合わせにおけるさまざまなプライバシー予算の下で、フェデレーションと集中型学習を比較し、予測パフォーマンスとプライバシのトレードオフを強調します。 実験の結果,BVFLMSPはマルチモーダルデータを効果的に含み,既存のベースライン上での生存予測を改善し,不確かさを推定しながら厳密なプライバシー制約の下で頑健であることがわかった。

関連論文リスト

• A Step Toward Federated Pretraining of Multimodal Large Language Models [87.64508862413565]
  Federated Learningは、分散リソースをアンロックするための有望なソリューションを提供する。 Fed-MAは、視覚エンコーダとLLMを凍結し、クロスモーダルプロジェクタを協調的にトレーニングする軽量な事前トレーニングパラダイムである。 MLLM事前学習のための先駆的フレームワークであるFed-CMPを提案する。
  論文  参考訳（メタデータ） (2026-03-25T08:16:23Z)
• Cellular Traffic Prediction via Byzantine-robust Asynchronous Federated Learning [10.584332226400676]
  ネットワークトラフィック予測は、インテリジェントネットワーク運用において重要な役割を果たす。 従来の予測手法は、大量のトラフィックデータを中央サーバーに転送する必要がある、集中的なトレーニングに依存することが多い。 これらの問題を解決するために、差分プライバシーと統合されたフェデレーション学習が、分散設定におけるデータのプライバシとロバスト性を改善するソリューションとして登場した。
  論文  参考訳（メタデータ） (2025-05-25T18:38:57Z)
• Generative Distribution Prediction: A Unified Approach to Multimodal Learning [4.3108820946281945]
  本稿では、構造的および非構造的モダリティ間の予測性能を高めるために、生成分布予測(GDP)を導入する。 GDPはモデルに依存しず、どんな高忠実な生成モデルとも互換性があり、ドメイン適応のためのトランスファーラーニングをサポートする。 我々は,4つの教師付き学習課題(タブラルデータ予測,質問応答,イメージキャプション,適応的量子回帰)におけるGDPの有効性を実証的に検証した。
  論文  参考訳（メタデータ） (2025-02-10T22:30:35Z)
• EsurvFusion: An evidential multimodal survival fusion model based on Gaussian random fuzzy numbers [13.518282190712348]
  EsurvFusionは、決定レベルでマルチモーダルデータを組み合わせるように設計されている。 信頼性の割引層を通じてモダリティレベルの信頼性を推定する。 これは、不確実性と信頼性の両方でマルチモーダルサバイバル分析を研究する最初の研究である。
  論文  参考訳（メタデータ） (2024-12-02T07:35:29Z)
• Confidence-aware multi-modality learning for eye disease screening [58.861421804458395]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインを提案する。 モダリティごとに信頼度を測り、マルチモダリティ情報をエレガントに統合する。 パブリックデータセットと内部データセットの両方の実験結果は、我々のモデルが堅牢性に優れていることを示している。
  論文  参考訳（メタデータ） (2024-05-28T13:27:30Z)
• Differentially Private Federated Learning: Servers Trustworthiness, Estimation, and Statistical Inference [18.97060758177909]
  本稿では,差分プライバシーの制約下での高次元推定と推測の課題について検討する。 線形回帰モデルに適した新しいフェデレーション推定アルゴリズムを提案する。 また,各パラメータの座標的信頼区間を含む統計的推測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-25T02:14:07Z)
• Few-shot Multimodal Sentiment Analysis based on Multimodal Probabilistic Fusion Prompts [30.15646658460899]
  ソーシャルメディア上でのマルチモーダルコンテンツの普及により,マルチモーダル感情分析が注目されている。 この地域の既存の研究は、大規模に監督されたデータに大きく依存している。 マルチモーダルな感情検出のために,様々なモーダルから多様な手がかりを生かしたマルチモーダル確率核融合法(MultiPoint)を提案する。
  論文  参考訳（メタデータ） (2022-11-12T08:10:35Z)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)
• CAMul: Calibrated and Accurate Multi-view Time-Series Forecasting [70.54920804222031]
  本稿では,一般的な確率的マルチビュー予測フレームワークであるCAMulを提案する。 多様なデータソースから表現と不確実性を学ぶことができる。 動的コンテキスト固有の方法で、各データビューからの知識と不確実性を統合する。 CAMulは、他の最先端確率予測モデルよりも精度とキャリブレーションが25%以上向上していることを示す。
  論文  参考訳（メタデータ） (2021-09-15T17:13:47Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。