論文の概要: Federated Distillation for Whole Slide Image via Gaussian-Mixture Feature Alignment and Curriculum Integration

• arxiv url: http://arxiv.org/abs/2605.00578v1
• Date: Fri, 01 May 2026 11:25:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.934144
• Title: Federated Distillation for Whole Slide Image via Gaussian-Mixture Feature Alignment and Curriculum Integration
• Title（参考訳）: ガウス・ミクチャー特徴アライメントとカリキュラム統合による全スライド画像のフェデレート蒸留
• Authors: Luru Jing, Cong Cong, Yanyuan Chen, Yongzhi Cao,
• Abstract要約: 本稿では,WSI分析に適した局所ガウス混合特徴アライメントを実現する新しいFLフレームワークであるFedHDを提案する。 モデルパラメータを交換する代わりに、各クライアントは、実際のWSIの分布に合わせて意味的にリッチな合成特徴表現を独立して蒸留します。 TCGA-IDH、CAMELYON16、CAMELYON17の実験では、FedHDは最先端のフェデレーションおよび蒸留ベースラインより一貫して優れていた。
• 参考スコア（独自算出の注目度）: 8.783245447540663
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) offers a promising framework for collaborative digital pathology by enabling model training across institutions. However, real-world deployments face heterogeneity arising from diverse multiple instance learning (MIL) architectures and heterogeneous feature extractors across institutions. We propose FedHD, a novel FL framework that performs local Gaussian-mixture feature alignment tailored for WSI analysis. Instead of exchanging model parameters, each client independently distills semantically rich synthetic feature representations aligned with the distribution of real WSIs. To preserve diagnostic diversity, FedHD adopts a one-to-one distillation strategy, generating a synthetic counterpart for each real slide to avoid over-compression. During federation, a curriculum-based integration strategy progressively incorporates cross-site synthetic features into local training once performance plateaus. Furthermore, an optional interpretation module reconstructs pseudo-patches from synthetic embeddings, enhancing transparency. FedHD is architecture-agnostic, privacy-preserving, and supports personalized yet collaborative training across diverse institutions. Experiments on TCGA-IDH, CAMELYON16, and CAMELYON17 show that FedHD consistently outperforms state-of-the-art federated and distillation baselines.
• Abstract（参考訳）: フェデレートラーニング(FL)は、機関間のモデルトレーニングを可能にすることで、協力的なデジタル病理学のための有望なフレームワークを提供する。 しかし、現実世界のデプロイメントは、多種多様なマルチインスタンス学習(MIL)アーキテクチャと、機関間の異種特徴抽出器から生じる異種性に直面している。 本稿では,WSI分析に適した局所ガウス混合特徴アライメントを実現する新しいFLフレームワークであるFedHDを提案する。 モデルパラメータを交換する代わりに、各クライアントは、実際のWSIの分布に合わせて意味的にリッチな合成特徴表現を独立して蒸留します。 診断の多様性を維持するため、FedHDは1対1の蒸留戦略を採用し、圧縮過剰を避けるために、実際のスライドごとに合成式を生成する。 フェデレーションの間、カリキュラムベースの統合戦略は、クロスサイト合成機能をパフォーマンスプラトーの訓練に段階的に組み込む。 さらに、任意の解釈モジュールは、合成埋め込みから擬似パッチを再構成し、透明性を高める。 FedHDはアーキテクチャに依存しないプライバシ保護であり、さまざまな機関でパーソナライズされた、かつ協調的なトレーニングをサポートする。 TCGA-IDH、CAMELYON16、CAMELYON17の実験では、FedHDは最先端のフェデレーションおよび蒸留ベースラインより一貫して優れていた。

関連論文リスト

• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• Spatio-Temporal Representation Decoupling and Enhancement for Federated Instrument Segmentation in Surgical Videos [17.212640372275466]
  我々は、パーソナライズされたFLスキーム、時空間表現デカップリングと拡張(FedST)を提案する。 FedSTは、局所サイトトレーニングとグローバルサーバトレーニングの両方において、外科的ドメイン知識を賢く活用し、セグメンテーションを強化する。 我々のモデルは、ローカルサイトトレーニングにおいてRepresentation separation and Cooperation(RSC)メカニズムを採用し、クエリの埋め込み層を個別に分離し、それぞれのバックグラウンドをエンコードする。
  論文  参考訳（メタデータ） (2025-06-30T12:08:02Z)
• FedWSIDD: Federated Whole Slide Image Classification via Dataset Distillation [0.7915536524413253]
  連携学習(FL)は,共同医療画像解析において有望なアプローチである。 我々は,データセットの蒸留を利用して合成スライドを学習し,伝達する新しいFLパラダイムであるFedWSIDDを提案する。 我々は、FedWSIDDが異種局所モデルに対する柔軟性を提供し、局所的なWSI分類性能を高め、患者のプライバシを維持することを示す。
  論文  参考訳（メタデータ） (2025-06-18T11:34:08Z)
• FedSKD: Aggregation-free Model-heterogeneous Federated Learning using Multi-dimensional Similarity Knowledge Distillation [7.944298319589845]
  フェデレートラーニング(FL)は、直接データを共有することなく、プライバシー保護のための協調モデルトレーニングを可能にする。 MHFL(Model-heterogeneous FL)は、クライアントが計算資源やアプリケーション固有のニーズに合わせて、不均一なアーキテクチャでパーソナライズされたモデルを訓練することを可能にする。 ピアツーピア(P2P)FLはサーバ依存を除去するが、モデルドリフトと知識の希釈に悩まされ、不均一な設定での有効性が制限される。 ラウンドロビンモデル循環による直接知識交換を容易にする新しいMHFLフレームワークであるFedSKDを提案する。
  論文  参考訳（メタデータ） (2025-03-23T05:33:10Z)
• 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)
• Towards More Suitable Personalization in Federated Learning via Decentralized Partial Model Training [67.67045085186797]
  既存のシステムのほとんどは、中央のFLサーバが失敗した場合、大きな通信負荷に直面しなければならない。 共有パラメータと個人パラメータを交互に更新することで、ディープモデルの「右」をパーソナライズする。 共有パラメータアグリゲーションプロセスをさらに促進するために、ローカルシャープネス最小化を統合するDFedを提案する。
  論文  参考訳（メタデータ） (2023-05-24T13:52:18Z)
• One Model to Unite Them All: Personalized Federated Learning of Multi-Contrast MRI Synthesis [5.3963856146595095]
  学習ベースのMRI翻訳は、ソースコントラストをターゲットコントラスト画像にマッピングする合成モデルを含む。 ここでは、MRI合成のための最初のパーソナライズされたFL法(pFL Synth)を紹介する。 pFL Synthは、個々のサイトやソース・ターゲットのコントラストに固有の潜伏剤を生成するマッパーを備えた敵モデルに基づいている。
  論文  参考訳（メタデータ） (2022-07-13T20:14:16Z)
• Efficient Split-Mix Federated Learning for On-Demand and In-Situ Customization [107.72786199113183]
  フェデレートラーニング(FL)は、複数の参加者が生データを共有せずに学習をコラボレーションするための分散ラーニングフレームワークを提供する。 本稿では, モデルサイズとロバスト性をその場でカスタマイズできる, 不均一な参加者のための新しいスプリット・ミクス・FL戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-18T04:58:34Z)
• CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
  本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。 このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。 提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
  論文  参考訳（メタデータ） (2022-03-03T05:58:49Z)
• 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。