論文の概要: FedStain: Modeling Higher-Order Stain Statistics for Federated Domain Generalization in Computational Pathology

• arxiv url: http://arxiv.org/abs/2605.14590v1
• Date: Thu, 14 May 2026 09:00:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.74006
• Title: FedStain: Modeling Higher-Order Stain Statistics for Federated Domain Generalization in Computational Pathology
• Title（参考訳）: FedStain: 計算病理学におけるFederated Domain Generalizationのための高次ステイン統計のモデリング
• Authors: Fengyi Zhang, Junya Zhang, Wenzhuo Sun,
• Abstract要約: 実世界の染色プロセスは、しばしば生化学的拡散とスキャナーの非線形性により非対称で重い尾を持つ色分布を生成する。 現在の手法では、現実の染色変動を支配下に置く高次非ガウス的特性をモデル化できない。 我々は,高次染色モーメントを明示的に組み込んだ染色認識型FedDGフレームワークであるFedStainを提案する。
• 参考スコア（独自算出の注目度）: 1.990269714657055
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robust whole-slide image (WSI) analysis under strict data-governance remains challenging due to substantial cross-institutional stain heterogeneity. Domain generalization (DG) mitigates these shifts but typically requires centralized data, conflicting with privacy regulations. Federated learning (FedL) provides a decentralized alternative; however, existing FedL and federated DG (FedDG) approaches rely almost exclusively on low-order statistics, assuming Gaussian-like stain distributions. In contrast, real-world staining processes often produce asymmetric, heavy-tailed color distributions due to biochemical diffusion and scanner nonlinearity. Consequently, current methods fail to model the higher-order, non-Gaussian characteristics dominating real-world stain variability. To address this, we propose FedStain, a stain-aware FedDG framework explicitly incorporating higher-order stain moments--skewness and kurtosis--as compact statistical descriptors exchanged during federated optimization. These descriptors require no pixel-level data transmission, preserving strict privacy and communication efficiency, while enabling the global model to capture stain variability missed by low-order statistics. FedStain also employs a contrastive, cross-site parameter aggregation strategy to promote stain-invariant representations without relaxing data constraints. Extensive experiments on Camelyon17 and our new MvMidog-Fed benchmark show FedStain yields consistent improvements, outperforming state-of-the-art FedL, DG, and FedDG baselines by up to +3.9% absolute accuracy. To our knowledge, FedStain is the first FedDG approach to explicitly model higher-order stain statistics, enabling robust cross-institutional deployment in computational pathology.
• Abstract（参考訳）: 厳密なデータ支配下でのロバスト全スライディング画像 (WSI) 解析は, 実質的なクロスインスティカルな染色不均一性のため, 依然として困難である。 ドメイン一般化(DG)はこれらのシフトを緩和するが、一般的にはプライバシー規制に反する集中的なデータを必要とする。 フェデレートラーニング(FedL)は分散的な代替手段を提供するが、既存のFedLとフェデレートDG(FedDG)アプローチはガウス風の染色分布を仮定して、ほとんど低次統計にのみ依存している。 対照的に、現実世界の染色プロセスは、生化学的拡散とスキャナーの非線形性により、非対称で重い尾を持つ色分布を生じることが多い。 その結果、現在の手法では、現実の染色変動を支配下にある高次非ガウス的特性をモデル化できない。 そこで我々は,フェデレーション最適化時に交換されるコンパクトな統計的記述子として,ステンレスを意識したFedDGフレームワークであるFedStainを提案する。 これらのディスクリプタはピクセルレベルのデータ転送を必要とせず、厳密なプライバシーと通信効率を保ちながら、グローバルモデルでは低次の統計で欠落した染色のばらつきを捉えることができる。 FedStainはまた、データ制約を緩和することなく、ステンド不変表現を促進するために、対照的なクロスサイトパラメータアグリゲーション戦略を採用している。 Camelyon17と我々の新しいMvMidog-Fedベンチマークの大規模な実験は、FedStainが一貫した改善をもたらし、最先端のFedL、DG、FedDGベースラインを最大3.9%の精度で上回っていることを示している。 我々の知る限り、FedStainは高次染色統計を明示的にモデル化する最初のFedDGアプローチであり、計算病理学における堅牢なクロス機関展開を可能にしている。

関連論文リスト

• Provable Sparse Inversion and Token Relabel Enhanced One-shot Federated Learning with ViTs [77.42033827176806]
  ワンショットフェデレートラーニング(One-Shot Federated Learning)は、単一のコミュニケーションラウンドでグローバルモデルを学ぶ中央サーバが、有望なパラダイムとして登場したものだ。 本稿では,合成画像の全パッチをフル活用してグローバルモデルをトレーニングする,新しいフェデレーションモデルインバージョンとトークンリラベルフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-11T15:49:08Z)
• FedCIGAR: A Personalized Reconstruction Approach for Federated Graph-level Anomaly Detection [51.473064583839296]
  クラスタ適応型GAted Reconstruction (FedCIGAR) を用いた新しいフェデレーショングラフレベルの異常検出手法を提案する。 具体的には、合成データを避けるために、正規グラフに基づいて訓練された再構成に基づくパラダイムを設計し、さらに、クライアント側ノードコントリビューションゲーティング機構とサーバ側スライディングウィンドウベースのクラスタリング戦略を導入し、データの不均一性に対処する。
  論文  参考訳（メタデータ） (2026-05-10T09:03:54Z)
• Byzantine-Robust and Differentially Private Federated Optimization under Weaker Assumptions [89.52532304099522]
  フェデレートラーニング(FL)は、クライアントが生データを集中せずに共有モデルを共同でトレーニングすることを可能にし、固有のプライバシーレベルを提供する。 グラデーションとモデル更新は機密情報を漏洩する可能性があるが、悪意のあるサーバはビザンティン操作のような敵攻撃をマウントする可能性がある。 これらの脆弱性は、統合されたフレームワーク内の差分プライバシー(DP)とビザンチンの堅牢性に対処する必要性を強調している。 Byz-Clip21-SGD2Mを提案する。
  論文  参考訳（メタデータ） (2026-03-24T17:39:09Z)
• Compressed Proximal Federated Learning for Non-Convex Composite Optimization on Heterogeneous Data [12.4809003470908]
  FCOは非平滑化器を扱う際に通信効率と堅牢性を達成する。 Fed Composite Error FeedbackCEFは非効率的な量子収束のための新しいアルゴリズムである。 非IIDデータからアグレッシブ化やノイズを緩和する。
  論文  参考訳（メタデータ） (2026-03-08T14:37:16Z)
• FedEU: Evidential Uncertainty-Driven Federated Fine-Tuning of Vision Foundation Models for Remote Sensing Image Segmentation [40.79057922854245]
  フェデレートイメージセグメンテーション(RSIS)が注目されている。 我々は、明らかな不確実性によって駆動される微調整RSISモデルのためのフレームワークであるFedEUを紹介する。
  論文  参考訳（メタデータ） (2026-03-08T05:11:03Z)
• FedSparQ: Adaptive Sparse Quantization with Error Feedback for Robust & Efficient Federated Learning [7.461859467262201]
  フェデレートラーニング(FL)は、分散クライアント間の協調モデルトレーニングを可能にする。 FLは、制約されたネットワーク上での高次元モデル更新の頻繁な交換による通信オーバーヘッドに悩まされる。 本稿では,各クライアントの勾配を動的に分散する軽量圧縮フレームワークであるFedSparQを紹介する。
  論文  参考訳（メタデータ） (2025-11-05T12:38:08Z)
• Robust Molecular Property Prediction via Densifying Scarce Labeled Data [53.24886143129006]
  薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。 本稿では, ラベル付きデータを利用して, 分布内データ(ID)と分布外データ(OOD)を補間する2段階最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-06-13T15:27:40Z)
• Stratify: Rethinking Federated Learning for Non-IID Data through Balanced Sampling [9.774529150331297]
  Stratifyは、トレーニング全体を通してクラスとフィーチャーの配布を体系的に管理するために設計された、新しいFLフレームワークである。 従来の階層化サンプリングに着想を得て,SLS(Stratified Label Schedule)を用いてラベル間のバランスの取れた露出を確保する。 プライバシーを守るため,同型暗号化を利用したセキュアクライアント選択プロトコルを実装した。
  論文  参考訳（メタデータ） (2025-04-18T04:44:41Z)
• Decentralized SGD and Average-direction SAM are Asymptotically Equivalent [101.37242096601315]
  分散勾配降下(D-SGD)は、中央サーバを制御せずに大規模デバイス上で協調学習を可能にする。 既存の理論では、分散化は必ず一般化される。
  論文  参考訳（メタデータ） (2023-06-05T14:19:52Z)
• A Unified Momentum-based Paradigm of Decentralized SGD for Non-Convex Models and Heterogeneous Data [0.261072980439312]
  非汎用目的に対する収束保証を提供するU.MP,D-MP,GT-Dという統一パラダイムを提案する。 理論的には、これらの非MPアルゴリズムに対して収束解析目的を2つのアプローチで提供する。
  論文  参考訳（メタデータ） (2023-03-01T02:13:22Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。