論文の概要: BiFedKD: Bidirectional Federated Knowledge Distillation Framework for Non-IID and Long-Tailed ECG Monitoring

• arxiv url: http://arxiv.org/abs/2605.14886v1
• Date: Thu, 14 May 2026 14:31:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.87452
• Title: BiFedKD: Bidirectional Federated Knowledge Distillation Framework for Non-IID and Long-Tailed ECG Monitoring
• Title（参考訳）: BiFedKD:非IIDおよび長期心電図モニタリングのための双方向フェデレーション知識蒸留フレームワーク
• Authors: Zixuan Shu, Tiancheng Cao, Hen-Wei Huang,
• Abstract要約: フェデレートラーニング(FL)は、デバイスに生のECGデータを保持することで協調学習を可能にするが、高次元モデル更新の頻繁な送信は、帯域幅に制限のあるリンクを介して、ラウンド単位のトラフィックを発生させる。 本稿では, 温度スケーリングとアグリゲーション・バイ・蒸留パイプラインを用いた双方向連成知識蒸留(BiFedKD)フレームワークを提案し, クロスクリエントアライメントのための安定なグローバル蒸留信号を生成する。
• 参考スコア（独自算出の注目度）: 0.6639180495331702
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electrocardiogram (ECG) monitoring in Internet of Medical Things (IoMT) networks is constrained by strict data-sharing regulations and privacy concerns. Federated learning (FL) enables collaborative learning by keeping raw ECG data on devices, but frequent transmissions of high-dimensional model updates incur heavy per-round traffic over bandwidth-limited links. To alleviate this bottleneck, federated distillation (FD) replaces parameter exchange with logit-based knowledge transfer. However, the performance of FD often degrades under the non-independent and identically distributed (non-IID) and long-tailed label distributions in ECG deployments. To address these challenges, we propose a bidirectional federated knowledge distillation (BiFedKD) framework that employs an aggregation-by-distillation pipeline with temperature scaling to produce a stable global distillation signal for cross-client alignment. Experiments on the MIT-BIH Arrhythmia dataset show that BiFedKD improves accuracy and Macro-F1 over the baseline by $3.52\%$ and $9.93\%$, respectively. Moreover, to reach the same Macro-F1, BiFedKD reduces communication overhead by $40\%$ and computation cost by $71.7\%$ compared with the baseline.
• Abstract（参考訳）: Internet of Medical Things (IoMT)ネットワークにおける心電図(ECG)モニタリングは、厳格なデータ共有規則とプライバシー上の懸念によって制限されている。 フェデレートラーニング(FL)は、デバイスに生のECGデータを保持することで協調学習を可能にするが、高次元モデル更新の頻繁な送信は、帯域幅に制限のあるリンクを介して、ラウンド単位のトラフィックを発生させる。 このボトルネックを軽減するために、フェデレート蒸留(FD)はパラメータ交換をロジットベースの知識伝達に置き換える。 しかし、FDの性能は、ECGデプロイメントにおいて非独立で同一の分散(非IID)と長い尾のラベル分布の下で劣化することが多い。 これらの課題に対処するために, 温度スケーリングと集約型蒸留パイプラインを用いた双方向統合知識蒸留(BiFedKD)フレームワークを提案し, クロスクライアントアライメントのための安定したグローバル蒸留信号を生成する。 MIT-BIH Arrhythmiaデータセットの実験によると、BiFedKDは精度を向上し、Macro-F1はベースライン上でそれぞれ3.52\%、9.93\%である。 さらに、同じマクロF1に達するために、BiFedKDはベースラインと比較して通信オーバーヘッドを40\%、計算コストを71.7\%削減する。

関連論文リスト

• ECG-NAT: A Self-supervised Neighborhood Attention Transformer for Multi-lead Electrocardiogram Classification [4.904219291349455]
  ECG信号は、きめ細かいビートレベルの形態とより広いリズムレベルの依存関係を同時にキャプチャするアーキテクチャを必要とする。 本稿では心電図近傍注意変換器(ECG-NAT)を提案する。 ECG-NATはベンチマークデータセット上で、1%のラベル付きデータを使用して88.1%の精度で堅牢なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-13T08:50:00Z)
• FedBiCross: A Bi-Level Optimization Framework to Tackle Non-IID Challenges in Data-Free One-Shot Federated Learning on Medical Data [17.89045564472333]
  FedBiCross はパーソナライズされた OSFL フレームワークであり,(1) モデル出力の類似性によるクラスタリングクライアントのコヒーレントなサブアンサンブル,(2) 双方向クラスタ最適化,(3) クライアント固有の適応のためのパーソナライズされた蒸留,の3段階からなる。 4つの医療画像データセットの実験により、FedBiCrossは、非IID度の異なる最先端のベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2026-01-05T08:46:11Z)
• Optimized Hybrid Feature Engineering for Resource-Efficient Arrhythmia Detection in ECG Signals: An Optimization Framework [0.0]
  本研究では,複雑性よりも機能工学を優先する資源効率の高いデータ中心型フレームワークを提案する。 最適化されたパイプラインは、複雑で高次元の不整脈データを線形分離可能にします。 MIT-BIHとINCARTデータセットの検証では、98.44%の精度で8.54KBのモデルフットプリントが得られる。
  論文  参考訳（メタデータ） (2026-01-01T03:44:42Z)
• Hyper-modal Imputation Diffusion Embedding with Dual-Distillation for Federated Multimodal Knowledge Graph Completion [59.54067771781552]
  本稿では,FedMKGCのマルチモーダル不確実性とマルチモーダルクライアントの不均一性問題に対処するMMFeD3-HidEというフレームワークを提案する。 本稿では,MMFedEという一般的なFedMKGCバックボーン,異種マルチモーダル情報を持つデータセット,構築されたベースラインの3つのグループからなる総合評価のためのFedMKGCベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-06-27T09:32:58Z)
• Few-Step Diffusion via Score identity Distillation [67.07985339442703]
  拡散蒸留は, テキスト・ツー・イメージ(T2I)拡散モデルを促進するための有望な戦略として浮上している。 既存の方法は、高分解能T2I拡散モデルを蒸留する際に、実像や教師合成画像に頼っている。 教師のCFGを無効にし、偽スコアネットワークでテキストコンディショニングを除去するZero-CFGと、偽スコアネットワークで否定的なCFGを適用するAnti-CFGの2つの新しいガイダンス戦略を提案する。
  論文  参考訳（メタデータ） (2025-05-19T03:45:16Z)
• xLSTM-ECG: Multi-label ECG Classification via Feature Fusion with xLSTM [14.02717596836022]
  本稿では,ECG信号のマルチラベル分類手法であるxLSTM-ECGを提案する。 我々の知る限り、この研究は、マルチラベルECG分類に特化して適応したxLSTMモジュールの設計と応用を表すものである。
  論文  参考訳（メタデータ） (2025-04-14T16:12:46Z)
• Understanding Dataset Distillation via Spectral Filtering [69.07076441512612]
  多様なDD目標を統一するスペクトルフィルタリングフレームワークであるUniDDを紹介する。 UniDDは、DDの本質が基本的に周波数固有の特徴に合致していることを明らかにする。 この制限に対処するため,低周波情報と高周波情報の両方をカバーするためにフィルタパラメータを徐々に調整するCFM(Curriculum Frequency Matching)を提案する。
  論文  参考訳（メタデータ） (2025-03-03T06:22:34Z)
• FedDW: Distilling Weights through Consistency Optimization in Heterogeneous Federated Learning [14.477559543490242]
  Federated Learning(FL)は、データの集中化なしにデバイス間でのニューラルネットワークトレーニングを可能にする、革新的な分散機械学習パラダイムである。 従来の研究では、IID環境では、モデルのパラメータ構造が特定の一貫性の原則に従うことが期待されている。 本稿では,両者の整合性を識別し,FedDWフレームワークの基盤となるトレーニングの調整に活用する。 実験結果から,FedDWは10種類の最先端FL法より優れ,高度不均一条件下では平均3%精度が向上した。
  論文  参考訳（メタデータ） (2024-12-05T12:32:40Z)
• Offline Behavior Distillation [57.6900189406964]
  大規模な強化学習(RL)データは通常、インタラクションを必要とせずにポリシをオフラインにトレーニングするために収集される。 準最適RLデータから限られた専門家の行動データを合成するオフライン行動蒸留(OBD)を定式化する。 そこで本研究では, 蒸留データとオフラインデータ, ほぼ専門的ポリシーのいずれにおいても, 蒸留性能を判断的差異によって測定する2つの単純OBD目標であるDBCとPBCを提案する。
  論文  参考訳（メタデータ） (2024-10-30T06:28:09Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)

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。