論文の概要: Development and Design of FLKit: A Structured Onboarding Toolkit for Federated Learning in Health and Life Sciences

• arxiv url: http://arxiv.org/abs/2606.23500v1
• Date: Mon, 22 Jun 2026 15:46:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 18:40:51.973598
• Title: Development and Design of FLKit: A Structured Onboarding Toolkit for Federated Learning in Health and Life Sciences
• Title（参考訳）: FLKit - 健康・生活科学におけるフェデレーション学習のための構造化オンボーディングツールキットの開発と設計
• Authors: Ashkan Pirmani, Ilse Vermeulen, Goran Vinterhalter, Lotte Geys, Axel Faes, Muhammad Quamber Ali, Nishkala Sattanathan, Geert Vandeweyer, Yves Moreau, Liesbet M. Peeters,
• Abstract要約: フェデレートドラーニング(Federated Learning)により、組織はデータを移動せずに共有モデルを訓練できる。 フェデレートされたプロジェクトを開始するチームは、フレームワーク、ガバナンスの義務、馴染みの無い役割を散在させています。 FLKitは、コミュニティがメンテナンスするオープンなツールキットで、完全なフェデレートされた学習ライフサイクルを通じて、複数の学際的なチームを取ります。
• 参考スコア（独自算出の注目度）: 3.177182590524392
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning lets institutions train shared models without moving their data, which makes it a natural fit for health and life sciences research under strict privacy regulation. The methods are maturing fast, but the practical barrier now comes earlier: a team starting a federated project meets a scattered mix of frameworks, governance obligations, and unfamiliar roles, with no structured place to begin that fits its own background. FLKit closes that gap. It is an open, community-maintained onboarding toolkit that takes a multidisciplinary team through the full federated learning lifecycle and gives every contributor, clinical, legal, governance, or technical, a role-aware entry point instead of assuming fluency across all four. We modeled it on the ELIXIR Research Data Management Kit and built it with a multidisciplinary core team, a wider consortium supplying milestone reviews and roadmap direction, and external practitioners interviewed to keep the content grounded in real practice. FLKit sits on four lifecycle stages, Governance, Infrastructure, Wrangling, and Analysis, and connects them through 11 role-specific entry points, a cross-disciplinary glossary, a reusable FAIR-aligned FL Story template for planning and documenting projects, and a curated directory of tools, frameworks, and communities. Since the December 2024 demo it has grown to 39 pages across eight sections, with seven FL Stories documenting completed and ongoing projects in multiple sclerosis disability prediction, inflammatory bowel disease, genomics, and brain-computer interfaces. It is openly available at https://uhasselt-biomedicaldatasciences.github.io/federated-learning-toolkit/ and welcomes contributions from across the life sciences.
• Abstract（参考訳）: フェデレーテッド・ラーニング(Federated Learning)は、データを移動せずに共有モデルのトレーニングを可能にする。 フェデレートされたプロジェクトを開始するチームは、フレームワークやガバナンスの義務、馴染みの無い役割を散在させています。 FLKitはそのギャップを埋めます。 これはオープンでコミュニティに保守されたオンボードツールキットで、複数の学際的なチームをフルに連携した学習ライフサイクルを通じて取り、すべてのコントリビュータ、臨床、法律、ガバナンス、技術、ロールを意識したエントリーポイントを提供する。 我々はELIXIR Research Data Management Kitでそれをモデル化し、多分野のコアチーム、マイルストーンレビューとロードマップの方向性を提供する広範なコンソーシアム、そして外部の実践者たちにインタビューして、実際にコンテンツを基盤にしておくようにしました。 FLKitは、ガバナンス、インフラストラクチャ、ラングリング、アナリティクスの4つのライフサイクルステージ上にあり、これらを11のロール固有のエントリポイント、学際的な用語集、プロジェクトの計画と文書化のための再利用可能なFAIR準拠のFL Storyテンプレート、ツール、フレームワーク、コミュニティのキュレーションされたディレクトリで接続する。 2024年12月のデモ以降、8つのセクションで39ページに成長し、7つのFL Storiesの文書化が完了し、多発性硬化症障害の予測、炎症性腸疾患、ゲノム学、脳とコンピュータのインターフェースで進行中のプロジェクトが進行中である。 https://uhasselt-biomedicaldatasciences.github.io/federated-learning-toolkit/で公開されている。

関連論文リスト

• An Anatomy of Vision-Language-Action Models: From Modules to Milestones and Challenges [87.35344276973537]
  VLA(Vision-Language-Action)モデルは、ロボット工学の革命を駆動し、機械が指示を理解し、物理的な世界と対話することを可能にする。 この調査は、VLAのランドスケープを明確かつ構造化したガイドを提供する。
  論文  参考訳（メタデータ） (2025-12-12T08:22:03Z)
• A Comprehensive Empirical Study of Bugs in Open-Source Federated Learning Frameworks [11.835104059182832]
  Federated Learning(FL)は、分散機械学習(ML)パラダイムであり、複数のクライアントがクライアントのデータプライバシを公開することなく、共同でMLモデルをトレーニングすることができる。 FLの適用を促進するために、さまざまなFLフレームワークが提案されている。 FLフレームワークのバグを包括的に収集し,分類し,特徴付けるための,最初の実証的研究を行った。
  論文  参考訳（メタデータ） (2023-08-09T15:14:16Z)
• LIBERO: Benchmarking Knowledge Transfer for Lifelong Robot Learning [64.55001982176226]
  LIBEROは、ロボット操作のための生涯学習の新しいベンチマークである。 宣言的知識、手続き的知識、あるいは両者の混在を効率的に伝達する方法に焦点を当てる。 我々は、無限に多くのタスクを生成できる拡張可能な手続き生成パイプラインを開発した。
  論文  参考訳（メタデータ） (2023-06-05T23:32:26Z)
• TemporAI: Facilitating Machine Learning Innovation in Time Domain Tasks for Medicine [91.3755431537592]
  TemporAIは、機械学習(ML)タスクのためのオープンソースのPythonソフトウェアライブラリである。 時系列、静的、イベントモダリティのデータをサポートし、予測、因果推論、時間対イベント分析のためのインターフェースを提供する。
  論文  参考訳（メタデータ） (2023-01-28T17:57:53Z)
• Orbit: A Unified Simulation Framework for Interactive Robot Learning Environments [38.23943905182543]
  NVIDIA Isaac Simによるロボット学習のための統一的でモジュール化されたフレームワークOrbitを紹介する。 写真リアリスティックなシーンと高忠実度剛性で変形可能なボディシミュレーションを備えたロボット環境を構築するためのモジュラーデザインを提供する。 我々は,表現学習,強化学習,模倣学習,タスク・アンド・モーション・プランニングなど,さまざまな研究領域を支援することを目的としている。
  論文  参考訳（メタデータ） (2023-01-10T20:19:17Z)
• Collaborating Heterogeneous Natural Language Processing Tasks via Federated Learning [55.99444047920231]
  提案するATCフレームワークは, 各種ベースライン手法と比較して, 大幅な改善を実現している。 自然言語理解(NLU)タスクと自然言語生成(NLG)タスクを対象とする,広く使用されている6つのデータセットについて,広範な実験を行った。
  論文  参考訳（メタデータ） (2022-12-12T09:27:50Z)
• FLamby: Datasets and Benchmarks for Cross-Silo Federated Learning in Realistic Healthcare Settings [51.09574369310246]
  Federated Learning(FL)は、センシティブなデータを保持している複数のクライアントが協力して機械学習モデルをトレーニングできる新しいアプローチである。 本稿では,医療分野に重点を置くクロスサイロ・データセット・スイートFLambyを提案し,クロスサイロ・FLの理論と実践のギャップを埋める。 私たちのフレキシブルでモジュラーなスイートによって、研究者は簡単にデータセットをダウンロードし、結果を再現し、研究のためにさまざまなコンポーネントを再利用することができます。
  論文  参考訳（メタデータ） (2022-10-10T12:17:30Z)
• Federated Learning: Applications, Challenges and Future Scopes [1.3190581566723918]
  フェデレーション・ラーニング(Federated Learning, FL)とは、複数のクライアントが機械学習の問題を解決するために、中心的なアグリゲータが協調するシステムである。 FLは無線通信、サービスレコメンデーション、インテリジェント医療診断システム、医療に応用されている。
  論文  参考訳（メタデータ） (2022-05-18T10:47:09Z)

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。