Fugu-MT 論文翻訳(概要): Federated Rule Ensemble Method in Medical Data

論文の概要: Federated Rule Ensemble Method in Medical Data

arxiv url: http://arxiv.org/abs/2604.17956v1
Date: Mon, 20 Apr 2026 08:38:26 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-21 21:52:52.768283
Title: Federated Rule Ensemble Method in Medical Data
Title（参考訳）: 医療データにおけるフェデレーション・ルール・アンサンブル法
Authors: Ke Wan, Kensuke Tanioka, Toshio Shimokawa,
Abstract要約: 本稿では,分散環境のための統一的かつ解釈可能なグローバルモデルを構築するための,フェデレートされたルールファイトフレームワークを提案する。シミュレーション研究において,提案手法は集中型ルールファイトに匹敵する性能を達成した。実世界の分析は、競合予測精度で解釈可能な洞察を提供する能力を示した。
参考スコア（独自算出の注目度）: 0.9797352250646388
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine learning has become integral to medical research and is increasingly applied in clinical settings to support diagnosis and decision-making; however, its effectiveness depends on access to large, diverse datasets, which are limited within single institutions. Although integrating data across institutions can address this limitation, privacy regulations and data ownership constraints hinder these efforts. Federated learning enables collaborative model training without sharing raw data; however, most methods rely on complex architectures that lack interpretability, limiting clinical applicability. Therefore, we proposed a federated RuleFit framework to construct a unified and interpretable global model for distributed environments. It integrates three components: preprocessing based on differentially private histograms to estimate shared cutoff values, enabling consistent rule definitions and reducing heterogeneity across clients; local rule generation using gradient boosting decision trees with shared cutoffs; and coefficient estimation via $\ell_1$-regularized optimization using a Federated Dual Averaging algorithm for sparse and consistent variable selection. In simulation studies, the proposed method achieved a performance comparable to that of centralized RuleFit while outperforming existing federated approaches. Real-world analysis demonstrated its ability to provide interpretable insights with competitive predictive accuracy. Therefore, the proposed framework offers a practical and effective solution for interpretable and reliable modeling in federated learning environments.
Abstract（参考訳）: 機械学習は医学研究に欠かせないものとなり、診断や意思決定を支援するために臨床現場にますます応用されているが、その効果は単一の機関でしか利用できない大規模で多様なデータセットへのアクセスに依存している。機関間でデータを統合することは、この制限に対処できるが、プライバシー規制とデータ所有権の制約は、これらの努力を妨げている。フェデレートラーニングは、生データを共有せずに協調的なモデルトレーニングを可能にするが、ほとんどの手法は解釈可能性に欠け、臨床応用性が制限される複雑なアーキテクチャに依存している。そこで本稿では,分散環境のための統一的かつ解釈可能なグローバルモデルを構築するための,フェデレートされたルールファイトフレームワークを提案する。分散プライベートヒストグラムに基づく前処理により、共有カットオフ値の推定、一貫したルール定義の有効化、クライアント間の不均一性の低減、共有カットオフによるグラデーション強化決定木を用いた局所ルール生成、スパースと一貫した変数選択のためのフェデレートデュアル平均化アルゴリズムを使った$\ell_1$-regularized Optimizationによる係数推定、の3つのコンポーネントを統合する。シミュレーション研究において,提案手法は,既存のフェデレートアプローチよりも優れた性能を保ちながら,集中型ルールフィットに匹敵する性能を達成した。実世界の分析は、競合予測精度で解釈可能な洞察を提供する能力を示した。そこで,本提案フレームワークは,フェデレート学習環境において,解釈可能かつ信頼性の高いモデリングを行うための,実用的で効果的なソリューションを提供する。

関連論文リスト

Federated Learning Meets LLMs: Feature Extraction From Heterogeneous Clients [0.0]
フェデレートラーニング(FL)は、生データを共有せずに協調的なモデルトレーニングを可能にする。我々は,事前学習された大規模言語モデル(LLM)を普遍的特徴抽出器として利用するフレームワークであるFedLLM-Alignを提案する。冠動脈疾患予測におけるFedLLM-Alignの評価は,シミュレートされたスキーマ分岐を用いた分割データセットを用いて行われる。
論文参考訳（メタデータ） (2025-09-29T14:06:52Z)
Choice Outweighs Effort: Facilitating Complementary Knowledge Fusion in Federated Learning via Re-calibration and Merit-discrimination [25.3144483276258]
FedMateは二元最適化を実装する方法である。サーバ側では,サンプルサイズ,現在のパラメータ,将来予測の総合的な統合により,集約重みを調整した動的グローバルプロトタイプを構築している。クライアント側では,有益性に基づく識別訓練を実現するために補完的な分類融合を導入し,コストを考慮した特徴伝達をモデル性能と通信効率のバランスに取り入れる。
論文参考訳（メタデータ） (2025-08-25T12:18:25Z)
Resource-Aware Aggregation and Sparsification in Heterogeneous Ensemble Federated Learning [0.9176056742068811]
フェデレートラーニング(FL)は、プライベートクライアントデータによる分散トレーニングを可能にする。現在のアンサンブルに基づくFL法はモデル予測の多様性を捉えるには不十分である。多様な計算能力を持つクライアントに適したグローバルアンサンブルベースのFLフレームワークである textbfSHEFL を提案する。
論文参考訳（メタデータ） (2025-08-12T01:40:46Z)
Socially inspired Adaptive Coalition and Client Selection in Federated Learning [36.94429692322632]
フェデレートラーニング(FL)は、プライバシ保護のための協調モデルトレーニングを可能にするが、その効果はクライアントデータの不均一性によって制限されることが多い。 i)合意に基づいてクライアントの非重複連立を動的に形成し、(ii)モデル更新のばらつきを最小限に抑えるために、各連立から1人の代表を選定するクライアント選択アルゴリズムを導入する。提案手法は, 近距離行列をスペクトルクラスタリングに利用し, 集団の集合的意見を推定する最も情報性の高い個人を特定する手法として, ソーシャルネットワークモデリングに着想を得たものである。
論文参考訳（メタデータ） (2025-06-03T14:04:31Z)
Decentralized Distributed Learning with Privacy-Preserving Data Synthesis [9.276097219140073]
医療分野では、患者と臨床データの均一性を生かして、多施設共同研究がより一般化可能な発見をもたらすことがしばしばある。最近のプライバシー規制は、データの共有を妨げ、その結果、診断と予後をサポートする機械学習ベースのソリューションを考案する。ローカルノードの機能を統合する分散分散手法を提案し、プライバシを維持しながら複数のデータセットをまたいで一般化可能なモデルを提供する。
論文参考訳（メタデータ） (2022-06-20T23:49:38Z)
Federated Offline Reinforcement Learning [55.326673977320574]
マルチサイトマルコフ決定プロセスモデルを提案する。我々は,オフラインRLを対象とした最初のフェデレーション最適化アルゴリズムを設計する。提案アルゴリズムでは,学習ポリシーの準最適性は,データが分散していないような速度に匹敵する,理論的保証を与える。
論文参考訳（メタデータ） (2022-06-11T18:03:26Z)
DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。上記の2つの課題を同時に解決するための一般的な枠組みを提案する。我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
論文参考訳（メタデータ） (2022-04-16T08:08:29Z)
A Regularized Implicit Policy for Offline Reinforcement Learning [54.7427227775581]
オフラインの強化学習は、環境とのさらなるインタラクションなしに、固定データセットから学習を可能にする。フレキシブルだが十分に調整された完全実装ポリシーの学習を支援するフレームワークを提案する。 D4RLデータセットの実験とアブレーション研究により、我々のフレームワークとアルゴリズム設計の有効性が検証された。
論文参考訳（メタデータ） (2022-02-19T20:22:04Z)
Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文参考訳（メタデータ） (2020-12-01T11:46:03Z)

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。