論文の概要: FedProIn: Mitigating Client Drift for Learnable Prototypes in Federated Medical Imaging

• arxiv url: http://arxiv.org/abs/2607.04158v1
• Date: Sun, 05 Jul 2026 07:54:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.843426
• Title: FedProIn: Mitigating Client Drift for Learnable Prototypes in Federated Medical Imaging
• Title（参考訳）: FedProIn:Federated Medical Imagingにおける学習可能なプロトタイプのクライアントドリフトの緩和
• Abstract要約: 本稿では,FedProIn(FedProIn)のプロトタイプによる影響認識型フェデレーション学習フレームワークを提案する。 FedProInは、複数の学習可能なクラスプロトタイプを使用して、異種クライアント間の共有セマンティック構造をキャプチャする。 HAM10000とMatek-19の2つの公開医療データセットの実験結果は、FedProInがそれぞれ83.5%のIDD、81.1%のIDD、96.2%のIDD、95.8%のIDDを達成していることを示している。
• 参考スコア（独自算出の注目度）: 3.6868085124383625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) is severely hindered by statistical heterogeneity due to variations in scanners, acquisition protocols, and patient populations. Such non-IID data induces client drift during local optimization, leading to unstable convergence and suboptimal global models when parameter-based aggregation is applied. We propose a prototype-based, influence-aware federated learning framework (FedProIn) that uses multiple learnable class prototypes to capture shared semantic structures across heterogeneous clients. We introduce feature divergence loss and prototype contrastive loss to mitigate client drift by decomposing it into feature drift and prototype drift. In addition, we propose a normalized influence aggregation strategy that adaptively weights client prototypes according to their contribution to the global representation, reducing the impact of biased or low-quality updates. Experimental results on two publicly available medical datasets, HAM10000 and Matek-19, demonstrate that FedProIn achieves accuracies of (83.5% IID, 81.1% non-IID) on HAM10000 and (96.2% IID, 95.8% non-IID) on Matek-19, respectively, outperforming existing baselines in both conditions. Our code is available at https://github.com/harsh-kmr/FedProIn.
• Abstract（参考訳）: フェデレートラーニング(FL)は、スキャナー、取得プロトコル、患者集団の変動により、統計的不均一性によって深刻な障害を受ける。 このような非IIDデータは、局所最適化中にクライアントのドリフトを誘導し、パラメータベースのアグリゲーションを適用すると、不安定な収束と最適大域モデルをもたらす。 複数の学習可能なクラスプロトタイプを用いて、異種クライアント間の共有セマンティック構造をキャプチャする、プロトタイプベースの影響認識型フェデレーション学習フレームワーク(FedProIn)を提案する。 本稿では,特徴の分散損失とプロトタイプの対照的な損失を導入し,特徴のドリフトとプロトタイプドリフトに分解することでクライアントドリフトを緩和する。 さらに、グローバル表現への貢献に応じてクライアントのプロトタイプを適応的に重み付けし、バイアスや低品質更新の影響を低減できる正規化影響集約戦略を提案する。 HAM10000とMtek-19の2つの公開医療データセットの実験結果は、FedProInがHAM10000で83.5% IID、81.1%非IID)、Mtek-19で96.2% IID、95.8%非IID)のアキュラシーを達成し、両方の条件において既存のベースラインを上回っていることを示している。 私たちのコードはhttps://github.com/harsh-kmr/FedProInで利用可能です。

関連論文リスト

• FedProtoKD: Dual Knowledge Distillation with Adaptive Class-wise Prototype Margin for Heterogeneous Federated Learning [18.44030373279699]
  統計的不均一性とプライバシー問題に対処するための有望なソリューションとして,プロトタイプベースの不均一フェデレートラーニング(HFL)手法が出現する。 我々は、クライアントのロジットとプロトタイプ表現によるシステム性能向上のために、拡張された二重知識蒸留機構を用いて、異種フェデレート学習環境におけるFedProtoKDを提案する。 FedProtoKDは様々な設定で1.13%から34.13%の精度で平均的な改善を達成し、既存の最先端のHFL法よりも大幅に向上した。
  論文  参考訳（メタデータ） (2025-08-26T13:14:29Z)
• FedEve: On Bridging the Client Drift and Period Drift for Cross-device Federated Learning [16.378163787768347]
  Federated Learning(FL)は、複数のクライアントがプライベートデータを公開せずに、共同で共有モデルをトレーニングできる機械学習パラダイムである。 データの不均一性はFLの基本的な課題であり、収束性の低下と性能劣化をもたらす可能性がある。 本稿では,これらの2種類のドリフトが相互に補償し,その全体的な影響を緩和する,予測オブザーブフレームワークを提案し,そのインスタンス化手法であるFedEveを提案する。
  論文  参考訳（メタデータ） (2025-08-20T08:42:34Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• FedAPM: Federated Learning via ADMM with Partial Model Personalization [12.72555825043549]
  FL(Federated Learning)では、異なるデバイスからのデータセットが独立であり、同じ分散(すなわち、同じ分散)であるという仮定は、ユーザ差によって保持されないことが多い。 本稿では、FedAPMと呼ばれる乗算器の交互方向法(ADMM)に基づくFLフレームワークを提案し、クライアントのドリフトを緩和する。
  論文  参考訳（メタデータ） (2025-06-05T06:38:29Z)
• FedImpro: Measuring and Improving Client Update in Federated Learning [77.68805026788836]
  フェデレートラーニング(FL)モデルは、不均一なデータによって引き起こされるクライアントのドリフトを経験することが多い。 我々は、クライアントのドリフトに対する別の視点を示し、改善されたローカルモデルを生成することにより、それを緩和することを目指している。
  論文  参考訳（メタデータ） (2024-02-10T18:14:57Z)
• FedTGP: Trainable Global Prototypes with Adaptive-Margin-Enhanced Contrastive Learning for Data and Model Heterogeneity in Federated Learning [18.916282151435727]
  不均一フェデレートラーニング(HtFL)は異種モデルやデータをサポートする能力から注目されている。 我々は,ACL(Adaptive-margin-enhanced Contrastive Learning)を活用して,サーバ上でトレーニング可能なグローバルプロトタイプ(TGP)を学習する,FedTGPという新しいHtFLアプローチを導入する。
  論文  参考訳（メタデータ） (2024-01-06T14:43:47Z)
• Rethinking Client Drift in Federated Learning: A Logit Perspective [125.35844582366441]
  フェデレートラーニング(FL)は、複数のクライアントが分散した方法で協調的に学習し、プライバシ保護を可能にする。 その結果,局所モデルとグローバルモデルとのロジット差は,モデルが継続的に更新されるにつれて増大することがわかった。 我々はFedCSDと呼ばれる新しいアルゴリズムを提案する。FedCSDは、ローカルモデルとグローバルモデルを調整するためのフェデレーションフレームワークにおけるクラスプロトタイプの類似度蒸留である。
  論文  参考訳（メタデータ） (2023-08-20T04:41:01Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• Beyond ADMM: A Unified Client-variance-reduced Adaptive Federated Learning Framework [82.36466358313025]
  我々はFedVRAと呼ばれる原始二重FLアルゴリズムを提案し、このアルゴリズムはグローバルモデルの分散還元レベルとバイアスを適応的に制御することができる。 半教師付き画像分類タスクに基づく実験は,既存の手法よりもFedVRAの方が優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-03T03:27:51Z)

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。