論文の概要: Asynchronous Federated Unlearning with Invariance Calibration for Medical Imaging

• arxiv url: http://arxiv.org/abs/2604.26809v1
• Date: Wed, 29 Apr 2026 15:41:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.466985
• Title: Asynchronous Federated Unlearning with Invariance Calibration for Medical Imaging
• Title（参考訳）: 医用画像の異常校正による非同期フェデレーション・アンラーニング
• Authors: Zhaoyuan Cai, Xinglin Zhang,
• Abstract要約: フェデレート・アンラーニング(FU)は、フェデレート・ラーニング(FL)における新たなパラダイムである 本稿では,グローバルトレーニングワークフローから消去過程を分離する医用画像の新しいフレームワークであるAFU-ICを提案する。
• 参考スコア（独自算出の注目度）: 3.1102602510192736
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated Unlearning (FU) is an emerging paradigm in Federated Learning (FL) that enables participating clients to fully remove their contributions from a trained global model, driven by data protection regulations that mandate the right to be forgotten. However, existing FU methods mostly rely on synchronous coordination. This requirement forces the entire federation to halt and wait for stragglers to complete erasure, creating significant delays due to device heterogeneity. Furthermore, these methods often face the problem that the influence of erased data is merely suppressed temporarily and resurfaces during subsequent training, rather than being genuinely removed. To overcome these limitations, this paper proposes Asynchronous Federated Unlearning with Invariance Calibration (AFU-IC), a novel framework for medical imaging that decouples the erasure process from the global training workflow. This enables the target client to perform unlearning asynchronously without interrupting global training. Meanwhile, a server-side invariance calibration mechanism prevents the model from relearning the erased data. Extensive experiments on three medical benchmarks demonstrate that AFU-IC achieves unlearning efficacy and model fidelity comparable to gold-standard retraining while significantly reducing wall-clock latency compared to synchronous baselines. AFU-IC ensures efficient, compliant and reliable FL in cross-silo medical environments.
• Abstract（参考訳）: フェデレーテッド・アンラーニング(Funerated Unlearning, FU)は、フェデレーテッド・ラーニング(Federated Learning, FL)における新興パラダイムであり、参加するクライアントが、忘れられる権利を義務付けるデータ保護規則によって、トレーニングされたグローバルモデルからコントリビューションを完全に取り除くことができる。 しかし、既存のFUメソッドは主に同期調整に依存している。 この要求により、連盟全体が停止し、ストラグラーが消滅するのを待つことになり、デバイスの不均一性のためにかなりの遅延が生じる。 さらに、これらの手法は、真に除去されるのではなく、削除されたデータの影響を一時的に抑制し、その後の訓練中に再浮上させるという問題に直面することが多い。 これらの制約を克服するために,グローバルトレーニングワークフローから消去プロセスを分離する医療画像の新しいフレームワークであるAFU-IC(Asynchronous Federated Unlearning with Invariance Calibration)を提案する。 これにより、グローバルトレーニングを中断することなく、ターゲットクライアントが非同期でアンラーニングを実行することができる。 一方、サーバ側不変キャリブレーション機構は、消去データの再学習を防止する。 3つの医学ベンチマークにおいて、AFU-ICは、同期ベースラインに比べてウォールクロック遅延を著しく低減しつつ、ゴールドスタンダードリトレーニングに匹敵する非学習効果とモデル忠実性を達成していることを示す。 AFU-ICは、クロスサイロ医療環境において、効率的、コンプライアンス、信頼性の高いFLを保証する。

関連論文リスト

• FedEL: Federated Elastic Learning for Heterogeneous Devices [14.499606660793239]
  フェデレートラーニング(FL)は、データプライバシを維持しながら、分散デバイスが機械学習モデルを協調的にトレーニングすることを可能にする。 クライアントの選択、非同期FL、部分的なトレーニングといった既存のソリューションは、これらの課題に部分的に対処するが、精度の低下、古い更新、一貫性のないトレーニングコントリビューションによるモデルパフォーマンスの妥協といった問題に直面する。 モデル精度を維持しながらトレーニング効率を向上させるための,連合型弾性学習フレームワークであるFedELを提案する。
  論文  参考訳（メタデータ） (2025-09-21T03:25:46Z)
• Adaptive Deadline and Batch Layered Synchronized Federated Learning [66.93447103966439]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散エッジデバイス間で協調的なモデルトレーニングを可能にする。 我々は,レイヤワイドアグリゲーションのために,ラウンド単位の期限とユーザ固有のバッチサイズを共同で最適化する新しいフレームワークADEL-FLを提案する。
  論文  参考訳（メタデータ） (2025-05-29T19:59:18Z)
• Corrected with the Latest Version: Make Robust Asynchronous Federated Learning Possible [2.663489028501814]
  本稿では,FedADTという知識蒸留に基づく非同期フェデレーション学習バージョン修正アルゴリズムを提案する。 FedADTは、勾配を集約する前に知識蒸留を適用し、最新のグローバルモデルを用いて古い情報を修正し、古い勾配がトレーニングプロセスに負の影響を効果的に低減する。 その結果,FedADTは他の非同期手法よりも大幅に改善され,コンバージェンス速度の点で全ての手法より優れることが示された。
  論文  参考訳（メタデータ） (2025-04-05T06:54:13Z)
• SEAFL: Enhancing Efficiency in Semi-Asynchronous Federated Learning through Adaptive Aggregation and Selective Training [26.478852701376294]
  半非同期FLにおけるストラグラーと古いモデルの課題を緩和するために設計された新しいFLフレームワークであるSEAFLを提案する。 Em SEAFLは、現在のグローバルモデルに対する安定性と重要性に基づいて、アグリゲーション中にアップロードされたモデルに重みを動的に割り当てる。 我々は,3つのベンチマークデータセットを用いた広範囲な実験により,SEAFLの有効性を評価する。
  論文  参考訳（メタデータ） (2025-02-22T05:13:53Z)
• FedFa: A Fully Asynchronous Training Paradigm for Federated Learning [14.4313600357833]
  フェデレートラーニング(Federated Learning)は、多数のデバイス上で機械学習モデルのトレーニングをスケールするための、効率的な分散トレーニングパラダイムである。 近年の最先端のソリューションでは,半非同期アプローチを用いて収束の保証による待ち時間コストの軽減が提案されている。 我々はFedFaと呼ばれる完全な非同期トレーニングパラダイムを提案し、モデル収束を保証し、待ち時間を完全に排除できる。
  論文  参考訳（メタデータ） (2024-04-17T02:46:59Z)
• Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
  同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。 一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。 本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
  論文  参考訳（メタデータ） (2024-03-27T09:14:36Z)
• Adaptive Model Pruning and Personalization for Federated Learning over Wireless Networks [72.59891661768177]
  フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。 これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。 このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
  論文  参考訳（メタデータ） (2023-09-04T21:10:45Z)
• Time-sensitive Learning for Heterogeneous Federated Edge Intelligence [52.83633954857744]
  フェデレーションエッジインテリジェンス(FEI)システムにおけるリアルタイム機械学習について検討する。 FEIシステムは異種通信と計算資源分布を示す。 本稿では,共有MLモデルの協調学習における全体の実行時間を最小化するために,時間依存型フェデレーションラーニング(TS-FL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-26T08:13:22Z)
• Scheduling and Aggregation Design for Asynchronous Federated Learning over Wireless Networks [56.91063444859008]
  Federated Learning(FL)は、デバイス上でのトレーニングとサーバベースのアグリゲーションを組み合わせた、協調的な機械学習フレームワークである。 FLシステムにおけるストラグラー問題に対処するために,周期的アグリゲーションを用いた非同期FL設計を提案する。 年齢認識の集約重み付け設計は,非同期FL設定における学習性能を著しく向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-12-14T17:33:01Z)

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。