論文の概要: Probabilistic Feature Imputation and Uncertainty-Aware Multimodal Federated Aggregation

• arxiv url: http://arxiv.org/abs/2604.12970v1
• Date: Tue, 14 Apr 2026 17:03:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.576885
• Title: Probabilistic Feature Imputation and Uncertainty-Aware Multimodal Federated Aggregation
• Title（参考訳）: 確率的特徴量計算と不確実性を考慮したマルチモーダル・フェデレーション・アグリゲーション
• Authors: Nafis Fuad Shahid, Maroof Ahmed, Md Akib Haider, Saidur Rahman Sagor, Aashnan Rahman, Md Azam Hossain,
• Abstract要約: Probabilistic Feature Imputation Network は不確実性推定をインプット特徴とともに生成する。 CheXpert,NIH Open-I,PadChestを用いた人工胸部X線分類実験は決定論的基準線よりも一貫した改善を示した。
• 参考スコア（独自算出の注目度）: 0.2283362795949404
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal federated learning enables privacy-preserving collaborative model training across healthcare institutions. However, a fundamental challenge arises from modality heterogeneity: many clinical sites possess only a subset of modalities due to resource constraints or workflow variations. Existing approaches address this through feature imputation networks that synthesize missing modality representations, yet these methods produce point estimates without reliability measures, forcing downstream classifiers to treat all imputed features as equally trustworthy. In safety-critical medical applications, this limitation poses significant risks. We propose the Probabilistic Feature Imputation Network (P-FIN), which outputs calibrated uncertainty estimates alongside imputed features. This uncertainty is leveraged at two levels: (1) locally, through sigmoid gating that attenuates unreliable feature dimensions before classification, and (2) globally, through Fed-UQ-Avg, an aggregation strategy that prioritizes updates from clients with reliable imputation. Experiments on federated chest X-ray classification using CheXpert, NIH Open-I, and PadChest demonstrate consistent improvements over deterministic baselines, with +5.36% AUC gain in the most challenging configuration.
• Abstract（参考訳）: マルチモーダル・フェデレート・ラーニング(Multimodal Federated Learning)は、医療機関間でのプライバシー保護協調モデルトレーニングを可能にする。 しかし、基本的な課題はモダリティの不均一性から生じ、多くの臨床現場はリソースの制約やワークフローの変動によって、モダリティのサブセットしか持たない。 既存の手法では、欠落したモダリティ表現を合成する特徴計算ネットワークを通じてこの問題に対処するが、これらの手法は信頼性の尺度を使わずに点推定を生成し、下流の分類器に全ての不適切な特徴を等しく信頼に値するものとして扱うように強制する。 安全上重要な医療応用においては、この制限は重大なリスクを生じさせる。 本稿では,不確実性評価をキャリブレーションされた特徴量とともに出力する確率的特徴量計算ネットワーク(P-FIN)を提案する。 この不確実性は,(1)分類前の信頼できない特徴次元を弱めるシグモイド・ゲーティングを通じて局所的に,(2)信頼できない特徴次元を減らし,(2)信頼性のある計算を行うクライアントからの更新を優先する集約戦略であるFed-UQ-Avgを通じて,2つのレベルで活用される。 CheXpert、NIH Open-I、PadChestを用いた連合胸部X線分類の実験では、決定論的ベースラインよりも一貫した改善が見られ、+5.36%のAUCが最も難しい構成で得られた。

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)
• CUPID: A Plug-in Framework for Joint Aleatoric and Epistemic Uncertainty Estimation with a Single Model [1.6855257501750571]
  CUPID (Comprehensive Uncertainty Plug-in estImation moDel) は、ベースモデルの変更や再訓練なしに、動脈とてんかんの不確実性を共同で推定する汎用モジュールである。 CUPIDは分類,回帰,アウト・オブ・ディストリビューション検出など,様々なタスクで評価される。 その結果、CUPIDは、不確実性の起源に関する階層的な洞察を提供しながら、一貫して競争性能を提供することがわかった。
  論文  参考訳（メタデータ） (2026-03-11T13:18:10Z)
• Open-World Deepfake Attribution via Confidence-Aware Asymmetric Learning [78.92934995292113]
  本稿では,既知の偽造と新規な偽造の信頼のバランスをとる,信頼を意識した非対称学習(CAL)フレームワークを提案する。 CALは従来手法を一貫して上回り、既知の偽造と新しい偽造の両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-14T12:31:28Z)
• Conformal Prediction for Multi-Source Detection on a Network [59.17729745907474]
  マルチソース検出問題について検討する。 グラフ上のノード感染状況のスナップショットが与えられた場合、伝播を開始するソースノードのセットを推定する。 本稿では,ソースセット検出のための統計的に有効なリコール保証を提供する新しいコンフォメーション予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-12T01:09:56Z)
• 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)
• Uncertainty-driven Embedding Convolution [16.523816971857787]
  不確実性駆動型埋め込み畳み込み(UEC)を提案する。 UECは決定論的埋め込みをポストホックな方法で確率論的に変換する。 その後、埋め込みの不確実性に基づいて適応アンサンブル重みを計算する。
  論文  参考訳（メタデータ） (2025-07-28T11:15:25Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• 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)

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。