論文の概要: Toward Production-Ready Federated Learning in Healthcare: Privacy, Orchestration, and Governance in MLOps

• arxiv url: http://arxiv.org/abs/2607.10467v1
• Date: Sat, 11 Jul 2026 20:14:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.436353
• Title: Toward Production-Ready Federated Learning in Healthcare: Privacy, Orchestration, and Governance in MLOps
• Title（参考訳）: 医療における生産可能なフェデレーションラーニングに向けて:MLOpsにおけるプライバシ、オーケストレーション、ガバナンス
• Authors: Sakshi Gorkhali, Jonesh Shrestha,
• Abstract要約: 本稿では、MLOpsの実践とFederated Learning Operations(FLOps)の新たなアイデアが、フェデレートされた医療機械学習システムをスケーラブルで信頼性があり、信頼に値するものにする方法について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Healthcare organizations often cannot freely centralize patient data because medical records are sensitive, regulated, and institutionally controlled. Federated learning offers a practical alternative by allowing hospitals and clinics to train a shared model while keeping raw data local. However, federated learning is not automatically production-ready or private by default. Model updates can still leak information, and decentralized training introduces operational challenges in deployment, monitoring, rollback, debugging, and governance. This paper examines how MLOps practices and the emerging idea of Federated Learning Operations (FLOps) can make federated healthcare machine learning systems scalable, reliable, and trustworthy. It answers three research questions: how containerization and orchestration support federated deployment, how privacy-preserving mechanisms affect trade-offs among privacy, utility, scalability, and operational complexity, and which post-deployment practices are most important for long-term governance. The central argument is that federated healthcare ML requires more than privacy-preserving algorithms. It needs an integrated MLOps architecture that combines reproducible deployment, secure orchestration, model versioning, audit logging, drift monitoring, heterogeneity management, and clear governance.
• Abstract（参考訳）: 医療機関は、医療記録が敏感で、規制され、制度的に管理されているため、患者データを自由に集中化できないことが多い。 フェデレートラーニング(Federated Learning)は、病院や診療所が生データをローカルに保ちながら、共有モデルをトレーニングできるようにすることによって、実践的な代替手段を提供する。 しかし、フェデレートされた学習は、デフォルトでは自動生産可能でもプライベートでもない。 モデルの更新は依然として情報を漏洩させる可能性がある。分散トレーニングは、デプロイメント、監視、ロールバック、デバッグ、ガバナンスにおける運用上の課題を導入している。 本稿では、MLOpsの実践とFederated Learning Operations(FLOps)の新たなアイデアが、フェデレートされた医療機械学習システムをスケーラブルで信頼性があり、信頼に値するものにする方法について検討する。 コンテナ化とオーケストレーションがフェデレーションデプロイメントをどのようにサポートするか、プライバシ保護メカニズムがプライバシ間のトレードオフにどのように影響するか、ユーティリティ、スケーラビリティ、運用上の複雑さ、デプロイ後のプラクティスが長期的なガバナンスにおいて最も重要であるか、という3つの研究課題に答えている。 中心的な議論は、フェデレーションされたヘルスケアMLはプライバシ保護アルゴリズム以上のものを必要としている、ということだ。 再現可能なデプロイメント、セキュアなオーケストレーション、モデルバージョニング、監査ロギング、ドリフト監視、ヘテロジニティ管理、明確なガバナンスを組み合わせた、統合されたMLOpsアーキテクチャが必要です。

関連論文リスト

• zkFL-Health: Blockchain-Enabled Zero-Knowledge Federated Learning for Medical AI Privacy [0.0]
  zkFL-Healthは、フェデレートラーニング(FL)とゼロ知識証明(ZKP)と信頼実行環境(TEE)を組み合わせたアーキテクチャである。 クライアントはローカルにトレーニングし、アップデートをコミットする。アグリゲータはTEE内でグローバルアップデートを計算し、クライアントのアップデートをホストに公開することなく、コミットした入力と正しいアグリゲーションルールを正確に使用したという簡潔なZK証明を生成する。 医療に適したシステムと脅威モデル、zkFL-Healthプロトコル、セキュリティ/プライバシ保証、正確性、プライバシリスク、レイテンシ、コストにまたがるパフォーマンス評価計画について概説する。
  論文  参考訳（メタデータ） (2025-12-24T08:29:28Z)
• EPIC: Enhancing Privacy through Iterative Collaboration [4.199844472131922]
  従来の機械学習技術は、中央集権的なデータ収集と処理を必要とする。 医療データを集中ストレージにプールする場合、プライバシ、オーナシップ、厳格な規制の問題が存在する。 フェデレートラーニング(FL)アプローチは、中央アグリゲータサーバと共有グローバルモデルを設定することで、そのような問題を克服する。
  論文  参考訳（メタデータ） (2024-11-07T20:10:34Z)
• Integration of Federated Learning and Blockchain in Healthcare: A Tutorial [0.5592394503914488]
  このチュートリアルでは、FLとBCの統合を調査し、医療分析に対するセキュアでプライバシ保護のアプローチを提供する。 FLは、医療機関のローカルデバイス上での分散モデルトレーニングを可能にし、患者のデータをローカライズする。 BCは、改ざん防止の台帳とスマートコントラクトによって、FLで安全な協調学習のための堅牢なフレームワークを提供する。
  論文  参考訳（メタデータ） (2024-04-15T19:00:09Z)
• Multimodal Federated Learning in Healthcare: a Review [5.983768682145731]
  フェデレートラーニング(FL)は、データを統合する必要のない分散メカニズムを提供する。 本稿では,医療分野におけるマルチモーダル・フェデレート・ラーニング(MMFL)の現状について概説する。 最先端のAI技術と、医療アプリケーションにおける患者のデータプライバシの必要性のギャップを埋めることを目指している。
  論文  参考訳（メタデータ） (2023-10-14T19:43:06Z)
• Blockchain-empowered Federated Learning for Healthcare Metaverses: User-centric Incentive Mechanism with Optimal Data Freshness [66.3982155172418]
  まず、医療メタバースのための分散型フェデレートラーニング(FL)に基づく、ユーザ中心のプライバシ保護フレームワークを設計する。 次に,情報時代(AoI)を有効データ更新度指標として利用し,観測理論(PT)に基づくAoIベースの契約理論モデルを提案し,センシングデータ共有の動機付けを行う。
  論文  参考訳（メタデータ） (2023-07-29T12:54:03Z)
• Federated Learning with Privacy-Preserving Ensemble Attention Distillation [63.39442596910485]
  Federated Learning(FL)は、多くのローカルノードがトレーニングデータを分散化しながら、中央モデルを協調的にトレーニングする機械学習パラダイムである。 本稿では,未ラベル公開データを利用した一方向オフライン知識蒸留のためのプライバシー保護FLフレームワークを提案する。 我々の技術は、既存のFLアプローチのような分散的で異質なローカルデータを使用するが、より重要なのは、プライバシー漏洩のリスクを著しく低減することです。
  論文  参考訳（メタデータ） (2022-10-16T06:44:46Z)
• Federated Cycling (FedCy): Semi-supervised Federated Learning of Surgical Phases [57.90226879210227]
  FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。 外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
  論文  参考訳（メタデータ） (2022-03-14T17:44:53Z)
• Distributed Machine Learning and the Semblance of Trust [66.1227776348216]
  フェデレートラーニング(FL)により、データ所有者はデータを共有することなく、データガバナンスを維持し、モデルトレーニングをローカルで行うことができる。 FLと関連する技術は、しばしばプライバシー保護と表現される。 この用語が適切でない理由を説明し、プライバシの形式的定義を念頭に設計されていないプロトコルに対する過度な信頼に関連するリスクを概説する。
  論文  参考訳（メタデータ） (2021-12-21T08:44:05Z)
• Scalable Multi-Agent Reinforcement Learning for Residential Load Scheduling under Data Governance [5.37556626581816]
  マルチエージェント強化学習 (MARL) は, 協調型住宅負荷スケジューリング問題において, 顕著な進歩を遂げている。 MARLの最も一般的なパラダイムである集中型トレーニングは、通信制約のあるクラウドエッジ環境における大規模デプロイメントを制限する。 提案手法は,家庭の局所的な観察のみに基づく個人評論家の学習機能である,アクタ批判的手法に基づく。
  論文  参考訳（メタデータ） (2021-10-06T14:05:26Z)
• FedDG: Federated Domain Generalization on Medical Image Segmentation via Episodic Learning in Continuous Frequency Space [63.43592895652803]
  フェデレーションラーニングは、分散医療機関がプライバシ保護を備えた共有予測モデルを共同で学習することを可能にします。 臨床展開では、連合学習で訓練されたモデルは、連邦外の完全に見えない病院に適用された場合、パフォーマンス低下に苦しむ可能性がある。 そこで本研究では,この問題に対してELCFS(Episodic Learning in Continuous frequency Space)と呼ばれる新しいアプローチを提案する。 本手法の有効性は,2つの医用画像分割作業における最先端および深部アブレーション実験よりも優れていた。
  論文  参考訳（メタデータ） (2021-03-10T13:05:23Z)

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。