論文の概要: SplitFed-CL: A Split Federated Co-Learning Framework for Medical Image Segmentation with Inaccurate Labels

• arxiv url: http://arxiv.org/abs/2605.11060v1
• Date: Mon, 11 May 2026 17:18:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.335454
• Title: SplitFed-CL: A Split Federated Co-Learning Framework for Medical Image Segmentation with Inaccurate Labels
• Title（参考訳）: SplitFed-CL:不正確なラベルを用いた医用画像セグメンテーションのための分散フェデレーション協調学習フレームワーク
• Authors: Zahra Hafezi Kafshgari, Hadi Hadizadeh, Parvaneh Saeedi,
• Abstract要約: Split Federated Learning (SplitFed)は、フェデレーションとスプリットラーニングを組み合わせて、クライアント側の計算を減らしながらプライバシを保存する。 本研究では,グローバルな教師が現地の生徒に信頼できないアノテーションを検出・洗練するよう指導する,協調学習フレームワークSplitFed-CLを提案する。 実世界のアノテーションエラーを含むバイナリセグメンテーションデータセットとともに、制御された合成ノイズを持つ2つのマルチクラスセグメンテーションデータセットの実験は、SplitFed-CLが一貫して7つの最先端ベースラインを上回っていることを示した。
• 参考スコア（独自算出の注目度）: 3.963546731643612
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Split Federated Learning (SplitFed) combines federated and split learning to preserve privacy while reducing client-side computation. However, in medical image segmentation, heterogeneous label quality across clients can significantly degrade performance. We propose SplitFed-CL, a co-learning framework where a global teacher guides local students to detect and refine unreliable annotations. Reliable labels supervise training directly, while unreliable labels are corrected via weighted student--teacher refinement. SplitFed-CL further incorporates consistency regularization for robustness to input perturbations and a trainable weighting module to balance loss terms adaptively. We also introduce a novel difficulty guided strategy to simulate human like boundary centric annotation errors, where the degree of perturbation is governed by shape complexity and the associated annotation difficulty. Experiments on two multiclass segmentation datasets with controlled synthetic noise, together with a binary segmentation dataset containing real-world annotation errors, demonstrate that SplitFed-CL consistently outperforms seven state-of-the-art baselines, yielding improved segmentation quality and robustness.
• Abstract（参考訳）: Split Federated Learning (SplitFed)は、フェデレーションとスプリットラーニングを組み合わせて、クライアント側の計算を減らしながらプライバシを保存する。 しかし、医用画像のセグメンテーションでは、クライアント間の異種ラベルの品質が著しく低下する可能性がある。 本研究では,グローバルな教師が現地の生徒に信頼できないアノテーションを検出・洗練するよう指導する,協調学習フレームワークSplitFed-CLを提案する。 信頼性のあるラベルは直接トレーニングを監督するが、信頼性の低いラベルは重み付けされた学生による改善によって修正される。 SplitFed-CLはさらに、入力摂動に対する堅牢性のための整合正則化と、損失項を適応的にバランスさせるトレーニング可能な重み付けモジュールを組み込んでいる。 また, 境界中心アノテーションの誤りをシミュレートする新たな難易度誘導手法を導入し, 摂動の度合いは, 形状の複雑さと関連するアノテーションの難易度によって制御されることを示した。 制御された合成ノイズを伴う2種類のセグメンテーションデータセットの実験は、実世界のアノテーションエラーを含むバイナリセグメンテーションデータセットとともに、SplitFed-CLが7つの最先端ベースラインを一貫して上回り、セグメンテーション品質とロバスト性を向上させることを示した。

関連論文リスト

• FedFusion: Federated Learning with Diversity- and Cluster-Aware Encoders for Robust Adaptation under Label Scarcity [33.17279604575767]
  FedFusionは、ドメイン適応とフラゲラベリングを統合する、フェデレートされたトランスファーラーニングフレームワークである。 遅延教師クライアントは、信頼度フィルタリングされた擬似ラベルとドメイン適応転送を通じて学習者クライアントをガイドする。 FedFusionは、常に最先端のベースライン、正確性、堅牢性、公正性を上回っている。
  論文  参考訳（メタデータ） (2025-09-23T16:46:06Z)
• Relaxed Contrastive Learning for Federated Learning [48.96253206661268]
  本稿では,フェデレート学習におけるデータ不均一性の課題に対処する,新しいコントラスト学習フレームワークを提案する。 当社のフレームワークは,既存のフェデレート学習アプローチを,標準ベンチマークにおいて大きなマージンで上回ります。
  論文  参考訳（メタデータ） (2024-01-10T04:55:24Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• JointMatch: A Unified Approach for Diverse and Collaborative Pseudo-Labeling to Semi-Supervised Text Classification [65.268245109828]
  半教師付きテキスト分類(SSTC)は、ラベルのないデータを活用する能力によって注目を集めている。 擬似ラベルに基づく既存のアプローチは、擬似ラベルバイアスと誤り蓄積の問題に悩まされる。 我々は、最近の半教師付き学習からアイデアを統一することでこれらの課題に対処する、SSTCの総合的なアプローチであるJointMatchを提案する。
  論文  参考訳（メタデータ） (2023-10-23T05:43:35Z)
• End-to-End Supervised Multilabel Contrastive Learning [38.26579519598804]
  マルチラベル表現学習は、オブジェクトカテゴリ間のラベル依存やデータ関連の問題に関連付けられる難しい問題として認識されている。 近年の進歩は、モデルとデータ中心の視点からこれらの課題に対処している。 KMCLと呼ばれる新しいエンドツーエンドのトレーニングフレームワークを提案し、モデルとデータ中心の設計の欠点に対処する。
  論文  参考訳（メタデータ） (2023-07-08T12:46:57Z)
• Quality-Adaptive Split-Federated Learning for Segmenting Medical Images with Inaccurate Annotations [27.29876880765472]
  SplitFed LearningはFederatedとSplit Learningを組み合わせたものだ。 SplitFed Learningでは、モデルがクライアントとサーバによって協調的にトレーニングされる。 本稿では,QA-SplitFed と呼ばれる SplitFed 学習のためのデータ品質に基づく適応的平均化手法を提案する。
  論文  参考訳（メタデータ） (2023-04-28T16:59:20Z)
• Adversarial Dual-Student with Differentiable Spatial Warping for Semi-Supervised Semantic Segmentation [70.2166826794421]
  本研究では、教師なしデータ拡張を行うために、微分可能な幾何ワープを提案する。 また,平均教師数を改善するために,新しい対角的二重学習フレームワークを提案する。 我々のソリューションは、両方のデータセットで得られるパフォーマンスと最先端の結果を大幅に改善します。
  論文  参考訳（メタデータ） (2022-03-05T17:36:17Z)
• A Teacher-Student Framework for Semi-supervised Medical Image Segmentation From Mixed Supervision [62.4773770041279]
  そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。 我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
  論文  参考訳（メタデータ） (2020-10-23T07:58:20Z)

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。