論文の概要: FederatedRSF : Federated Random Survival Forests for Partially Overlapping Medical Data

• arxiv url: http://arxiv.org/abs/2605.22954v1
• Date: Thu, 21 May 2026 18:32:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.058478
• Title: FederatedRSF : Federated Random Survival Forests for Partially Overlapping Medical Data
• Title（参考訳）: フェデレートRSF : 部分的に重複する医療データのためのフェデレーションランダム生存林
• Authors: Maryam Moradpour, Jonas Harriehausen, Amirreza Aleyasin, Lion Philipp Wolf, Youngjun Park, Anne-Christin Hauschild,
• Abstract要約: フェデレートRSFは、ランダムサバイバル森林を実装し、地元で訓練されたサバイバルツリーを集約し、各場所に特徴互換の木のみを再配布する。 GBSG2乳がんコホートにおけるFederatedRSFとScikit-survival packageの併用効果について検討した。
• 参考スコア（独自算出の注目度）: 1.0303353919699785
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-center survival prediction can improve robustness and generalizability, yet privacy regulations and institutional governance often prevent pooling patient-level clinical and genomic data across institutions. In practice, deployment is further complicated by feature-space heterogeneity, in which sites collect different covariates or use different sequencing panels, resulting in only partially overlapping feature sets. We present FederatedRSF, a Python package that implements federated random survival forests, aggregating locally trained survival trees and redistributing only feature-compatible trees to each site, enabling inference with partial overlap without sharing raw data. We evaluate FederatedRSF on the GBSG2 breast cancer cohort distributed with the scikit-survival package, simulating feature heterogeneity across clients by withholding subsets of features, and assessing discrimination using Harrell's concordance index (C-Index) under repeated cross-validation and site-splits. The results demonstrated that the federated model can achieve performance comparable to that of the centralized training setting.
• Abstract（参考訳）: マルチセンターサバイバル予測は、堅牢性と一般化性を改善することができるが、プライバシ規制と制度的ガバナンスは、しばしば患者レベルの臨床およびゲノムデータのプールを防ぐ。 実際には、サイトが異なる共変量を収集したり、異なるシークエンシングパネルを使用するという特徴空間の不均一性により、デプロイはさらに複雑になる。 我々は、フェデレートされたランダムサバイバル森林を実装したPythonパッケージであるFederatedRSFを紹介し、ローカルに訓練されたサバイバルツリーを集約し、各サイトに機能互換ツリーのみを再配布し、生データを共有することなく部分的なオーバーラップによる推論を可能にする。 我々は,GBSG2乳がんコホートにおけるFederatedRSFの評価を行い,特徴のサブセットを保留することで,クライアント間の特徴の不均一性をシミュレートし,繰り返しのクロスバリデーションとサイトスプリットによるHarrellのコンコーダンス指標(C-Index)を用いた識別を評価する。 その結果,フェデレートされたモデルでは,集中的なトレーニング設定と同等の性能が得られることがわかった。

関連論文リスト

• Federated Imputation under Heterogeneous Feature Spaces [7.7979633437360905]
  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トレーニングを可能にする。 我々は,従来の欠落から構造的特徴不利用を分離する連邦計算フレームワークである textbfFedHF-Impute を提案する。 SECOMデータセットとAirQualityデータセットのシミュレートされた部分スキーマの下で、FedHF-ImputeはFLベースラインを26.9%上回る計算精度(RMSE)を8.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-15T15:53:45Z)
• Federated Causal Discovery Across Heterogeneous Datasets under Latent Confounding [0.0]
  FedCIは、異種データセットを処理する条件付き独立テストである。 FedCI-IODは、分散データセットと異種データセットをまたいだ潜在コンバウンディングの下で因果発見を可能にする。 当社のツールは,edCI Pythonパッケージ,IODのプライバシ保護R実装,およびedCI-IODパイプライン用のWebアプリケーションとして公開されています。
  論文  参考訳（メタデータ） (2026-03-05T13:17:31Z)
• Principled Federated Random Forests for Heterogeneous Data [19.544248463207612]
  我々は、水平分割データのための新しいフェデレートランダムフォレストアルゴリズムであるFedForestを提案する。 我々は、慎重に選択されたクライアント統計を集約した分割手順が、集中型アルゴリズムによって選択された分割を近似していることを証明する。 また、FedForestはクライアントインジケータの分割を可能にし、非パラメトリックなパーソナライゼーションの形式を可能にすることも示しています。
  論文  参考訳（メタデータ） (2026-02-03T08:41:59Z)
• Federated Learning Meets LLMs: Feature Extraction From Heterogeneous Clients [0.0]
  フェデレートラーニング(FL)は、生データを共有せずに協調的なモデルトレーニングを可能にする。 我々は,事前学習された大規模言語モデル(LLM)を普遍的特徴抽出器として利用するフレームワークであるFedLLM-Alignを提案する。 冠動脈疾患予測におけるFedLLM-Alignの評価は,シミュレートされたスキーマ分岐を用いた分割データセットを用いて行われる。
  論文  参考訳（メタデータ） (2025-09-29T14:06:52Z)
• Federated Random Forest for Partially Overlapping Clinical Data [0.5062312533373298]
  本研究は,臨床データセットにおける特徴と不完全データの一部を重複させることによって生じる課題に対処することを目的とする。 ランダムフォレストのようなほとんどの標準的なアルゴリズムでは、全てのデータセットが同じパラメータを持つことが不可欠である。 フェデレーションされたグローバルに最適化されたモデルを集約するためには、各サイトでローカルに利用可能な機能のみを使用することができる。
  論文  参考訳（メタデータ） (2024-05-31T10:07:24Z)
• Federated Learning under Partially Class-Disjoint Data via Manifold Reshaping [64.58402571292723]
  我々はFedMRと呼ばれる多様体再構成手法を提案し、局所訓練の特徴空間を校正する。 我々は、FedMRがはるかに高い精度と通信効率を達成することを示すために、さまざまなデータセットに関する広範な実験を行います。
  論文  参考訳（メタデータ） (2024-05-29T10:56:13Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Generalizable Heterogeneous Federated Cross-Correlation and Instance Similarity Learning [60.058083574671834]
  本稿では,新しいFCCL+,フェデレーション相関と非ターゲット蒸留との類似性学習を提案する。 不均一な問題に対しては、無関係な公開データを通信に活用する。 局所的な更新段階における破滅的な忘れ物として、FCCL+はFederated Non Target Distillationを導入している。
  論文  参考訳（メタデータ） (2023-09-28T09:32:27Z)
• Source-free Domain Adaptation Requires Penalized Diversity [60.04618512479438]
  ソースデータがない場合、異なるドメイン間の知識伝達に対処するために、ソースフリードメイン適応(SFDA)が導入された。 教師なしのFDAでは、多様性はソース上の1つの仮説を学習するか、共有された特徴抽出器で複数の仮説を学習することに限定される。 本稿では,異なる特徴抽出器を用いて表現多様性を促進する新しい無教師付きSFDAアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-06T00:20:19Z)
• Heterogeneous Federated Learning via Grouped Sequential-to-Parallel Training [60.892342868936865]
  フェデレートラーニング(Federated Learning, FL)は、プライバシ保護のためのコラボレーション機械学習パラダイムである。 本稿では,この課題に対処するため,データヘテロジニアス・ロバストFLアプローチであるFedGSPを提案する。 その結果,FedGSPは7つの最先端アプローチと比較して平均3.7%の精度向上を実現していることがわかった。
  論文  参考訳（メタデータ） (2022-01-31T03:15:28Z)

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。