論文の概要: ChainLearn: A Blockchain-Based Capacity-Aware Framework for Federated Ensemble Learning

• arxiv url: http://arxiv.org/abs/2605.24418v1
• Date: Sat, 23 May 2026 06:09:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.045346
• Title: ChainLearn: A Blockchain-Based Capacity-Aware Framework for Federated Ensemble Learning
• Title（参考訳）: ChainLearn:フェデレーション・アンサンブル学習のためのブロックチェーンベースの能力認識フレームワーク
• Authors: Karan Sharma, Aditya Tripathi, Rahul Mishra, Tapas Kumar Maiti,
• Abstract要約: フェデレーション学習は、プライバシーがデータの集中化を禁止している医療画像に使用される。 本稿では,各病院のスループットを計測し,キャパシティに適したアーキテクチャを割り当て,重み付けアンサンブルによる予測を組み合わせるキャパシティ・アウェア・コーディネートを提案する。
• 参考スコア（独自算出の注目度）: 2.512941835598642
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning is used in medical imaging where privacy prohibits centralizing data. Standard federated algorithms assume homogeneous hardware, identical architectures, and centralized aggregation, which fails when hospitals have unequal compute resources. We propose capacity-aware coordination: measure each hospital's throughput, assign capacity-appropriate architectures (MobileNetV3-Small, EfficientNet-B0, ResNet-50), and combine predictions via weighted ensemble. Weak and strong hospitals can participate without forcing uniform architectures. We separate on-chain policy from off-chain learning. A Solidity contract stores hospital registration, benchmark hashes, metrics, and weights. Hospitals train locally and submit only hashes and scalars (not parameters). Weighted ensemble inference is computed off-chain. Experiments on PneumoniaMNIST and DermaMNIST (5 seeds, 3 non-IID levels) show our method achieves lower or equal calibration error versus equal-weight ensemble and competitive accuracy versus FedAvg, FedProx, and FedMD. Communication overhead is 224 bytes per round, a reduction of over 912,000x compared to FedAvg.
• Abstract（参考訳）: フェデレーション学習は、プライバシーがデータの集中化を禁止している医療画像に使用される。 標準的なフェデレーションアルゴリズムは、均一なハードウェア、同一のアーキテクチャ、集中集約を仮定するが、これは病院が計算資源が不平等である場合に失敗する。 本稿では,各病院のスループットを計測し,容量対応アーキテクチャ(MobileNetV3-Small,EfficientNet-B0,ResNet-50)を割り当て,重み付けアンサンブルによる予測を組み合わせることを提案する。 弱く強い病院は、均一な建築を強制せずに参加できる。 オンチェーンポリシとオフチェーン学習を分離します。 Solidity契約には、病院登録、ベンチマークハッシュ、メトリクス、ウェイトが格納されている。 病院は現地で訓練を行い、ハッシュとスカラーのみを提出する(パラメーターではない)。 重み付きアンサンブル推論はオフチェーンで計算される。 PneumoniaMNIST および DermaMNIST (5シード, 3非IID レベル) を用いた実験により,FedAvg,FedProx,FedMD に対する等重量アンサンブルと競合精度に対して,低いか等しいキャリブレーション誤差が得られた。 通信オーバーヘッドは1ラウンドあたり224バイトであり、FedAvgに比べて912,000倍以上減少している。

関連論文リスト

• Comparing Federated Stochastic Gradient Descent and Federated Averaging for Predicting Hospital Length of Stay [0.0]
  入院期間(LOS)を確実に予測することは,病院における資源配分の効率化に不可欠である。 従来の予測モデリングツールは、医療機関がプライバシー規則を定めているため、十分なデータと多様なデータを取得するのが難しいことが多い。 このモデリング手法は、病院外の機密データを抽出することなく、異なる病院からの分散データソースをモデル化することで協調的なモデルトレーニングを促進する。
  論文  参考訳（メタデータ） (2024-07-17T17:00:20Z)
• 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)
• An Efficient Imbalance-Aware Federated Learning Approach for Wearable Healthcare with Autoregressive Ratio Observation [14.898997913387158]
  我々は,フェデレート学習シナリオにおけるクラス不均衡の課題に対処するために,新しいフェデレーション学習フレームワークであるFedImTを提案する。 FedImTには、アグリゲーションの各ラウンドでデータ構成を推定できるオンラインスキームが含まれている。 実験は、余剰エネルギー消費やプライバシーリスクを回避することなく、不均衡問題を解決するためのFedImTの有効性を示す。
  論文  参考訳（メタデータ） (2023-10-23T10:36:52Z)
• Cluster Based Secure Multi-Party Computation in Federated Learning for Histopathology Images [0.0]
  フェデレートラーニング(Federated Learning, FL)は、病院が個人患者データを訓練のために共有することなく、協力的にモデルを学習できる分散型の方法である。 FLでは、患者病院は、中央サーバーでサンプルをトレーニングするよりも、定期的にトレーニング結果を交換する。 提案手法では,各病院をクラスタに分割し,各病院のモデル重量を同一クラスタに分割し,各病院が受信した重量を合計し,その結果を中央サーバに送信する。 最後に、中央サーバが結果を集約し、個々の病院の重量にアクセスすることなく、モデルの重量平均を検索し、モデルを更新する。
  論文  参考訳（メタデータ） (2022-08-21T23:56:28Z)
• FedHiSyn: A Hierarchical Synchronous Federated Learning Framework for Resource and Data Heterogeneity [56.82825745165945]
  フェデレートラーニング(FL)は、データプライバシを保護するために複数のデバイスに格納された分散生データを共有することなく、グローバルモデルのトレーニングを可能にする。 本稿では,階層型同期FLフレームワークであるFedHiSynを提案し,トラグラー効果や時代遅れモデルの問題に対処する。 提案手法は,MNIST,EMNIST,CIFAR10,CIFAR100のデータセットと多種多様なデバイス設定に基づいて評価する。
  論文  参考訳（メタデータ） (2022-06-21T17:23:06Z)
• Federated Learning in Multi-Center Critical Care Research: A Systematic Case Study using the eICU Database [24.31499341763427]
  データを交換することなく、異なるユニットでモデルを訓練する方法として、フェデレートラーニング(FL)が提案されている。 FLが利用可能なeICUデータセットに与える影響について検討し,各ICU滞在の生存率を予測する。
  論文  参考訳（メタデータ） (2022-04-20T09:03:09Z)
• FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality Brain Image Synthesis [55.939957482776194]
  我々は、教師なし脳画像合成におけるフェデレートドメイン翻訳のための新しいベンチマーク(FedMed-GAN)を提案する。 FedMed-GANは発電機の性能を犠牲にすることなくモード崩壊を緩和する。 FedMed-GANと他の集中型手法を比較するための総合的な評価を提供する。
  論文  参考訳（メタデータ） (2022-01-22T02:50:29Z)
• Self-Supervised Neural Architecture Search for Imbalanced Datasets [129.3987858787811]
  ニューラルアーキテクチャサーチ(NAS)は、アノテートラベル付きよく計算されたデータセットでトレーニングされた場合、最先端の結果を提供する。 a) アーキテクチャを決定するためにラベルを必要とせず、(b) データセットが不均衡であると仮定する自己管理シナリオに焦点を当てたNASベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-17T14:56:36Z)

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。