論文の概要: Dual Attention Heads for Personalized Federated Learning in ECG Classification

• arxiv url: http://arxiv.org/abs/2607.06653v1
• Date: Tue, 07 Jul 2026 17:42:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.18504
• Title: Dual Attention Heads for Personalized Federated Learning in ECG Classification
• Title（参考訳）: ECG分類における個人化フェデレーション学習のためのデュアルアテンションヘッド
• Abstract要約: フェデレートラーニング(FL)は、センシティブな患者データを共有することなく、機関間で協調的なモデルトレーニングを可能にする。 我々は、トランスフォーマーの注意をグローバルとローカルに分割する、パーソナライズされたフェデレーション学習アプローチであるFedDualAttを提案する。 心臓血管疾患検出のためのFLベンチマークであるFedCVDの実験では、ECG分類タスクにおいて、FedDualAttが既存のFLとパーソナライズされたFLメソッドより優れていることが示されている。
• 参考スコア（独自算出の注目度）: 2.3996974596313394
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Federated learning (FL) enables collaborative model training across institutions without sharing sensitive patient data. However, the inherent heterogeneity of electrocardiogram (ECG) data across healthcare providers presents significant technical challenges for robust classification. We propose FedDualAtt, a personalized federated learning approach that splits transformer attention heads into global and local branches. Global heads are aggregated via FedAvg to capture shared cross-site patterns, while local heads remain client-specific to adapt to institution-level recording characteristics. Experiments on FedCVD, an FL benchmark for cardiovascular disease detection, demonstrate that FedDualAtt outperforms existing FL and personalized FL methods in ECG classification tasks. Analysis of global-local head ratios reveals that different clients benefit from varying levels of architectural personalization.
• Abstract（参考訳）: フェデレートラーニング(FL)は、センシティブな患者データを共有することなく、機関間で協調的なモデルトレーニングを可能にする。 しかし、医療提供者間での心電図(ECG)データ固有の不均一性は、ロバストな分類に重大な技術的課題をもたらす。 我々は、トランスフォーマーの注意をグローバルとローカルに分割する、パーソナライズされたフェデレーション学習アプローチであるFedDualAttを提案する。 グローバルヘッドはFedAvgを介して集約され、共有されたクロスサイトパターンをキャプチャする一方、ローカルヘッドは、機関レベルの記録特性に適応するためにクライアント固有のままである。 心臓血管疾患検出のためのFLベンチマークであるFedCVDの実験では、ECG分類タスクにおいて、FedDualAttが既存のFLとパーソナライズされたFLメソッドより優れていることが示されている。 グローバル・ローカル・ヘッド比の分析は、異なるクライアントが様々なレベルのアーキテクチャパーソナライゼーションの恩恵を受けていることを示している。

関連論文リスト

• FedKPer: Tackling Generalization and Personalization in Medical Federated Learning via Knowledge Personalization [6.929741688224915]
  フェデレートラーニング(FL)は医学的応用に大きな可能性を秘めている。 医療機関間の統計的異質性は、FLにとって大きな課題となる。 我々は、各ローカルデバイスのトレーニング段階に知識パーソナライズを導入するFedKPerを紹介する。
  論文  参考訳（メタデータ） (2026-05-01T14:36:28Z)
• FL-MedSegBench: A Comprehensive Benchmark for Federated Learning on Medical Image Segmentation [57.930067699003764]
  Federated Learning (FL)は、生データを共有せずに、協調的な医療画像分析のためのプライバシー保護パラダイムを提供する。 FL-MedSegBenchは,医用画像セグメンテーションにおけるフェデレーション学習のための総合的なベンチマークである。 汎用FL(gFL)法とパーソナライズFL(pFL)法を多次元にわたって体系的に評価した。
  論文  参考訳（メタデータ） (2026-03-12T08:28:41Z)
• Simulator and Experience Enhanced Diffusion Model for Comprehensive ECG Generation [52.19347532840774]
  本稿では,心電図生成のための新しい生理シミュレータSE-Diffを提案する。 SE-Diffは、軽量常微分方程式(ODE)ベースのECGシミュレータをビートデコーダを介して拡散過程に統合する。 実世界のECGデータセットに対する大規模な実験により、SE-Diffは信号の忠実度とテキスト-ECGセマンティックアライメントの両方を改善している。
  論文  参考訳（メタデータ） (2025-11-13T02:57:10Z)
• FedMetaMed: Federated Meta-Learning for Personalized Medication in Distributed Healthcare Systems [7.32609591220333]
  パーソナライズドメディケーションのためのフェデレーションメタラーニング(FedMetaMed)について紹介する。 FedMetaMedは、フェデレーションラーニングとメタラーニングを組み合わせて、医療システム全体にわたる多様な患者データに適応するモデルを作成する。 我々は、FedMetaMedが最先端のFL法より優れ、最先端のコホートでも優れた一般化を示すことを示す。
  論文  参考訳（メタデータ） (2024-12-05T03:36:55Z)
• FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
  心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。 機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。 本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
  論文  参考訳（メタデータ） (2024-10-28T02:24:01Z)
• FeDETR: a Federated Approach for Stenosis Detection in Coronary Angiography [0.3823356975862007]
  冠動脈狭窄は心不全の根底にある因子である。 冠動脈病変の診断にはいくつかの欠点がある。 深層学習法は、FFR/iFR値の自動推定において、心臓科医を支援するために登場した。
  論文  参考訳（メタデータ） (2024-09-21T23:52:05Z)
• FedLoGe: Joint Local and Generic Federated Learning under Long-tailed Data [46.29190753993415]
  Federated Long-Tailed Learning (Fed-LT)は、分散化されたローカルクライアントから収集されたデータが、グローバルに普及しているロングテール分布を示すパラダイムである。 本稿では、Fed-LT(FedLoGe)におけるFederated Local and Generic Model Training(FedLoGe)というアプローチを紹介し、ローカルモデルとジェネリックモデルの両方のパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2024-01-17T05:04:33Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• FCA: Taming Long-tailed Federated Medical Image Classification by Classifier Anchoring [26.07488492998861]
  フェデレートラーニング(Federated Learning)は、データを共有することなく、ディープモデルを協調的にトレーニングすることを可能にする。 我々は、各クライアントにパーソナライズされた分類器を追加して、フェデレーションモデルのガイドとデバイアスを行うことにより、フェデレーション分類器アンカー(FCA)を提案する。 FCAは、連合型長い尾状皮膚病変の分類と頭蓋内出血の分類において、大きなマージンを有する最先端の方法よりも優れている。
  論文  参考訳（メタデータ） (2023-05-01T09:36:48Z)
• MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
  フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-03T14:06:03Z)
• FedSLD: Federated Learning with Shared Label Distribution for Medical Image Classification [6.0088002781256185]
  分類タスクのための共有ラベル分布(FedSLD)を用いたフェデレートラーニングを提案する。 FedSLDは、分布の知識が与えられた場合、最適化中に各データサンプルの局所的な目的への貢献を調整する。 その結果,FedSLDは従来のFL最適化アルゴリズムよりもコンバージェンス性能が高いことがわかった。
  論文  参考訳（メタデータ） (2021-10-15T21:38:25Z)

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。