Fugu-MT 論文翻訳(概要): MuCALD-SplitFed: Causal-Latent Diffusion for Privacy-Preserving Multi-Task Split-Federated Medical Image Segmentation

論文の概要: MuCALD-SplitFed: Causal-Latent Diffusion for Privacy-Preserving Multi-Task Split-Federated Medical Image Segmentation

arxiv url: http://arxiv.org/abs/2605.04108v1
Date: Mon, 04 May 2026 16:43:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-07 18:41:07.443322
Title: MuCALD-SplitFed: Causal-Latent Diffusion for Privacy-Preserving Multi-Task Split-Federated Medical Image Segmentation
Title（参考訳）: MuCALD-SplitFed: プライバシ保護型マルチタスク分割型医用画像分割のための因果拡散
Authors: Chamani Shiranthika, Hadi Hadizadeh, Parvaneh Saeedi,
Abstract要約: 本研究では、因果表現学習と潜伏拡散を統合したマルチタスクSplitFedフレームワークであるtextbfMuCALD-SplitFedを提案する。 MuCALD-SplitFedはセグメンテーションを継続的に改善し、ベースラインのSplitFedは収束しない。提案手法は,分割点における情報漏洩を低減し,再構成に基づく攻撃やメンバシップ推論攻撃を緩和する。
参考スコア（独自算出の注目度）: 3.377298662011438
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Federated Learning enables decentralized training by aggregating model updates across clients without sharing raw data, while Split Federated Learning further partitions the model between clients and a server to reduce computation and communication at the client side. However, decentralized medical institutions rarely operate on a single shared task, making standard Federated and SplitFed collaborations poorly aligned with real clinical workflows. Multi-task FL extends these frameworks by allowing clients to handle different tasks, but often introduces instability and privacy vulnerabilities. This study proposes \textbf{MuCALD-SplitFed}, a multi-task SplitFed framework that integrates causal representation learning and latent diffusion. Experiments show MuCALD-SplitFed consistently improves segmentation, while baseline SplitFed fails to converge. The proposed approach further reduces information leakage at split points, mitigating reconstruction-based and membership inference attacks. Additionally, MuCALD SplitFed outperforms state-of-the-art personalized FL and multi-task FL approaches. The code repository is: https://github.com/ChamaniS/MuCALD_SplitFed.
Abstract（参考訳）: また、Split Federated Learningは、クライアントとサーバの間でモデルを分割することで、クライアント側の計算と通信を削減します。しかし、分散化された医療機関が単一の共有タスクで運用されることはめったにないため、標準的なFederatedとSplitFedのコラボレーションは実際の臨床ワークフローと整合性に欠ける。マルチタスクFLは、クライアントが異なるタスクを扱えるようにすることでこれらのフレームワークを拡張するが、不安定性とプライバシの脆弱性をしばしば導入する。本研究では,因果表現学習と潜伏拡散を統合したマルチタスク SplitFed フレームワークである \textbf{MuCALD-SplitFed} を提案する。 MuCALD-SplitFedはセグメンテーションを継続的に改善し、ベースラインのSplitFedは収束しない。提案手法は,分割点における情報漏洩を低減し,再構成に基づく攻撃やメンバシップ推論攻撃を緩和する。さらに、MuCALD SplitFedは、最先端のパーソナライズされたFLとマルチタスクのFLアプローチより優れています。コードリポジトリは、 https://github.com/ChamaniS/MuCALD_SplitFed。

関連論文リスト

Federated Multi-Task Clustering [44.73672172790804]
本稿では,Federated Multi-Task Clustering(FMTC)という新しいフレームワークを提案する。クライアント側パーソナライズされたクラスタリングモジュールとサーバ側テンソル相関モジュールの2つの主要コンポーネントで構成されている。乗算器の交互方向法に基づく,効率的なプライバシ保護分散アルゴリズムを導出する。
論文参考訳（メタデータ） (2025-12-28T12:02:32Z)
SplitFedZip: Learned Compression for Data Transfer Reduction in Split-Federated Learning [5.437298646956505]
SplitFederated(SplitFed)学習は、さまざまなドメインにわたる理想的な学習フレームワークです。 SplitFedZipは、SplitFed学習におけるデータ転送を減らすために学習圧縮を利用する新しい方法である。
論文参考訳（メタデータ） (2024-12-18T19:04:19Z)
Optimizing Split Points for Error-Resilient SplitFed Learning [2.2530496464901106]
SplitFedは、FL内の個々のクライアントの計算負担を最小限に抑え、プライバシーを維持しながらSLを並列化する。本研究では,SplitFedのパケット損失に対するモデル分割点のレジリエンスについて検討した。
論文参考訳（メタデータ） (2024-05-29T19:03:27Z)
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)
Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。 FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。 SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
論文参考訳（メタデータ） (2022-11-20T10:49:22Z)
FedFM: Anchor-based Feature Matching for Data Heterogeneity in Federated Learning [91.74206675452888]
本稿では,各クライアントの特徴を共有カテゴリーのアンカーにマッチさせる新しいFedFM法を提案する。効率と柔軟性を向上させるため,FedFM-Liteと呼ばれるFedFM変種を提案し,クライアントは同期時間と通信帯域幅のコストを少なくしてサーバと通信する。
論文参考訳（メタデータ） (2022-10-14T08:11:34Z)
Combating Client Dropout in Federated Learning via Friend Model Substitution [8.325089307976654]
Federated Learning(FL)は、データプライバシと通信効率のメリットで知られる、新たな分散機械学習フレームワークである。本稿では,受動的部分的クライアント参加シナリオについて検討する。我々は,データ配信に類似したクライアントの友人を検出する新しいアルゴリズムFL-FDMSを開発した。 MNISTとCIFAR-10の実験により、FL-FDMSのFLにおけるクライアントドロップアウト処理における優れた性能が確認された。
論文参考訳（メタデータ） (2022-05-26T08:34:28Z)
Closing the Generalization Gap of Cross-silo Federated Medical Image Segmentation [66.44449514373746]
クロスサイロ・フェデレーション・ラーニング (FL) は近年, 深層学習による医用画像解析において注目されている。 FLでトレーニングされたモデルと、集中的なトレーニングでトレーニングされたモデルの間にはギャップがある。本稿では,クライアントの問題を回避し,ドリフトギャップを解消するための新しいトレーニングフレームワークであるFedSMを提案する。
論文参考訳（メタデータ） (2022-03-18T19:50:07Z)
Understanding Clipping for Federated Learning: Convergence and Client-Level Differential Privacy [67.4471689755097]
本稿では, 切断したFedAvgが, 実質的なデータ均一性でも驚くほど良好に動作できることを実証的に示す。本稿では,差分プライベート(DP)FedAvgアルゴリズムの収束解析を行い,クリッピングバイアスとクライアント更新の分布との関係を明らかにする。
論文参考訳（メタデータ） (2021-06-25T14:47:19Z)
A Bayesian Federated Learning Framework with Online Laplace Approximation [144.7345013348257]
フェデレートラーニングは、複数のクライアントが協力してグローバルに共有されたモデルを学ぶことを可能にする。クライアント側とサーバ側の両方の後方部を近似するために,オンラインラプラス近似を用いた新しいFLフレームワークを提案する。提案手法の利点を実証し,いくつかのベンチマークで最新の結果を得た。
論文参考訳（メタデータ） (2021-02-03T08:36:58Z)

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。