論文の概要: FedKPer: Tackling Generalization and Personalization in Medical Federated Learning via Knowledge Personalization

• arxiv url: http://arxiv.org/abs/2605.00698v1
• Date: Fri, 01 May 2026 14:36:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.985771
• Title: FedKPer: Tackling Generalization and Personalization in Medical Federated Learning via Knowledge Personalization
• Title（参考訳）: FedKPer:知識のパーソナライズによる医学的フェデレーション学習における一般化とパーソナライズに取り組む
• Authors: Zoe Fowler, Ghassan AlRegib,
• Abstract要約: フェデレートラーニング(FL)は医学的応用に大きな可能性を秘めている。 医療機関間の統計的異質性は、FLにとって大きな課題となる。 我々は、各ローカルデバイスのトレーニング段階に知識パーソナライズを導入するFedKPerを紹介する。
• 参考スコア（独自算出の注目度）: 6.929741688224915
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) holds great potential for medical applications. However, statistical heterogeneity across healthcare institutions poses a major challenge for FL, as the global model struggles both to generalize across unseen patient populations and to adapt to the unique data distributions of individual hospitals. This heterogeneity also exacerbates forgetting at both the global and local level, resulting in previous learned patient patterns to be misclassified after model updates. While prior work has largely treated generalization and personalization as separate challenges, we show that a better balance between the two can be achieved through selective alignment with the global model and a modified aggregation scheme, which together mitigate the effects of statistical heterogeneity. Specifically, we introduce FedKPer, which introduces knowledge personalization into the training stage of each local device. Afterwards, generalization is considered via the global model aggregation process, where local updates that are reliable and label-diverse are emphasized. We evaluate the performance of FedKPer, devising additional metrics that relate to common consequences of forgetting. Overall, we demonstrate FedKPer improves the generalization-personalization trade-off without sacrificing retention.
• Abstract（参考訳）: フェデレートラーニング(FL)は医学的応用に大きな可能性を秘めている。 しかしながら、医療機関間での統計的異質性は、グローバルモデルが、目に見えない患者集団を一般化し、個々の病院のユニークなデータ分布に適応することの両方に苦慮しているため、FLにとって大きな課題となる。 この異質性はまた、グローバルレベルとローカルレベルの両方での忘れを悪化させ、その結果、以前の学習された患者パターンはモデル更新後に誤って分類される。 従来の研究は、一般化とパーソナライゼーションを個別の課題として扱ってきたが、グローバルモデルと修正されたアグリゲーションスキームとの選択的アライメントにより、両者のバランスが良くなり、統計的不均一性の影響を緩和できることが示されている。 具体的には、各ローカルデバイスのトレーニング段階に知識パーソナライズを導入するFedKPerを紹介する。 その後、グローバルモデルアグリゲーションプロセスを通じて一般化が検討され、信頼性とラベルの多様性が強調される。 我々はFedKPerの性能を評価し、忘れることの一般的な結果に関連する追加のメトリクスを考案した。 全体として、FedKPerは、保持を犠牲にすることなく、一般化と個人化のトレードオフを改善することを実証する。

関連論文リスト

• FedMetaMed: Federated Meta-Learning for Personalized Medication in Distributed Healthcare Systems [7.32609591220333]
  パーソナライズドメディケーションのためのフェデレーションメタラーニング(FedMetaMed)について紹介する。 FedMetaMedは、フェデレーションラーニングとメタラーニングを組み合わせて、医療システム全体にわたる多様な患者データに適応するモデルを作成する。 我々は、FedMetaMedが最先端のFL法より優れ、最先端のコホートでも優れた一般化を示すことを示す。
  論文  参考訳（メタデータ） (2024-12-05T03:36:55Z)
• FedImpro: Measuring and Improving Client Update in Federated Learning [77.68805026788836]
  フェデレートラーニング(FL)モデルは、不均一なデータによって引き起こされるクライアントのドリフトを経験することが多い。 我々は、クライアントのドリフトに対する別の視点を示し、改善されたローカルモデルを生成することにより、それを緩和することを目指している。
  論文  参考訳（メタデータ） (2024-02-10T18:14:57Z)
• FedLoGe: Joint Local and Generic Federated Learning under Long-tailed Data [46.29190753993415]
  Federated Long-Tailed Learning (Fed-LT)は、分散化されたローカルクライアントから収集されたデータが、グローバルに普及しているロングテール分布を示すパラダイムである。 本稿では、Fed-LT(FedLoGe)におけるFederated Local and Generic Model Training(FedLoGe)というアプローチを紹介し、ローカルモデルとジェネリックモデルの両方のパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2024-01-17T05:04:33Z)
• Advocating for the Silent: Enhancing Federated Generalization for Non-Participating Clients [38.804196122833645]
  本稿では,フェデレートラーニングのための情報理論の一般化フレームワークについて紹介する。 局所分布の情報エントロピーを評価することで一般化誤差を定量化する。 導出一般化境界に着想を得て、重み付け集約アプローチとクライアント選択戦略の二重化を導入する。
  論文  参考訳（メタデータ） (2023-10-11T03:39:56Z)
• Integrating Local Real Data with Global Gradient Prototypes for Classifier Re-Balancing in Federated Long-Tailed Learning [60.41501515192088]
  フェデレートラーニング(FL)は、グローバルモデルを協調的にトレーニングする複数のクライアントを含む、人気のある分散ラーニングパラダイムになっています。 データサンプルは通常、現実世界の長い尾の分布に従っており、分散化された長い尾のデータのFLは、貧弱なグローバルモデルをもたらす。 本研究では、局所的な実データとグローバルな勾配のプロトタイプを統合し、局所的なバランスの取れたデータセットを形成する。
  論文  参考訳（メタデータ） (2023-01-25T03:18:10Z)
• Exploiting Personalized Invariance for Better Out-of-distribution Generalization in Federated Learning [13.246981646250518]
  本稿では, 個人化学習手法と比較して, 個人化非分散を探索する汎用的な二重正規化学習フレームワークを提案する。 本手法は,既存のフェデレーション学習や不変学習よりも,多様なアウト・オブ・ディストリビューションおよび非IIDデータケースにおいて優れていることを示す。
  論文  参考訳（メタデータ） (2022-11-21T08:17:03Z)

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。