Fugu-MT 論文翻訳(概要): Recovering Clinical Utility Under Differential Privacy: Empirical Validation of Adaptive Federated Aggregation on Heterogeneous Cardiovascular Datasets

論文の概要: Recovering Clinical Utility Under Differential Privacy: Empirical Validation of Adaptive Federated Aggregation on Heterogeneous Cardiovascular Datasets

arxiv url: http://arxiv.org/abs/2607.19403v1
Date: Tue, 07 Jul 2026 18:51:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-02 22:55:38.922432
Title: Recovering Clinical Utility Under Differential Privacy: Empirical Validation of Adaptive Federated Aggregation on Heterogeneous Cardiovascular Datasets
Title（参考訳）: 差分プライバシー下における臨床応用の回復:不均一心血管データセットにおける適応的フェデレーションの実証的検証
Abstract要約: 本研究は、FedCVRフレームワークを利用可能な5つのリアル心臓血管データセット上で検証することで、このギャップに対処する。その結果、FedCVRは実データに対する適応的な優位性を維持しており、F1スコアは79.2%、AUCは0.96であることがわかった。実データ上で測定されたプライバシーコストは、合成実験で観察された優雅な劣化パターンを確認する。
参考スコア（独自算出の注目度）: 0.06372261626436676
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Validating federated learning frameworks on real clinical data is an essential step between proof-of-concept demonstrations in controlled synthetic environments and deployment in real multicenter healthcare settings. A prior architectural study by the same authors (Tertulino and Alencar, 2026) demonstrated, on a synthetic six-feature benchmark, that server-side adaptive optimization acts as a temporal denoiser for Differential Privacy noise, answering an open challenge identified in the original pipeline work (Tertulino, 2025). That study used synthetically generated data and explicitly identified real-world validation as a priority future direction. The present work addresses this gap by validating the FedCVR framework on five publicly available real cardiovascular datasets (Framingham, Cleveland, Hungarian, Switzerland, and Long Beach VA), harmonized to the 13-attribute UCI Heart Disease schema and configured as a heterogeneous federated scenario with leave-one-institution-out cross-validation. Results demonstrate that FedCVR preserves its adaptive advantage on real data, achieving an F1-Score of 79.2% and AUC of 0.96 under the operational privacy budget (noise multiplier = 0.8, privacy budget epsilon approximately 4.2), while statistically outperforming standard FedAvg on all evaluated metrics (paired t-tests, all p <= 0.003, significant under the Bonferroni-corrected threshold). The measured privacy cost on real data confirms the graceful degradation pattern observed in the synthetic experiments, providing empirical evidence of the framework's clinical viability in genuine multicenter contexts.
Abstract（参考訳）: 実際の臨床データに対するフェデレートされた学習フレームワークの検証は、制御された合成環境における概念実証と、実際のマルチセンター医療環境における展開の間に不可欠なステップである。同じ著者による以前のアーキテクチャ研究(TertulinoとAlencar、2026年)では、サーバサイド適応最適化が、もともとのパイプライン作業(Tertulino、2025年)で特定されたオープンな課題に答えて、微分プライバシーノイズの時間的デノイザーとして機能することを示した。この研究は人工的に生成されたデータを用いて、現実の検証を優先的な未来方向として明確に特定した。本研究は、FedCVRフレームワークを利用可能な5つのリアル心臓血管データセット(フラミンハム、クリーブランド、ハンガリー、スイス、ロングビーチVA)上で検証することにより、このギャップに対処する。その結果、FedCVRは実データに対する適応的な優位性を保ち、運用上のプライバシー予算の下でF1スコア79.2%、AUC0.96を達成する(ノイズ乗算器=0.8、プライバシー予算約4.2)。実データに対する測定されたプライバシーコストは、合成実験で観察された優雅な劣化パターンを確認し、実際のマルチセンターコンテキストにおけるフレームワークの臨床的生存可能性の実証的な証拠を提供する。

関連論文リスト

Cascade Classification of Dermoscopic Images of Skin Neoplasms with Controllable Sensitivity and External Clinical Validation [36.94429692322632]
二段式(悪性/良性)、一段式(良性、MEL、SCC、BCC)、二段式(二段式トリアージ、三段式MEL/SCC/BCC)の3種類を比較した。すべてのモデルはImageNet-pretrained weightsを使用し、オープンなISICアーカイブデータに1つの拡張プロトコルを使用した。 ISIC MILK10kでは、11級の直接分類により平均級感度0.525が得られる。
論文参考訳（メタデータ） (2026-06-11T09:55:57Z)
From Statistical Fidelity to Clinical Consistency: Scalable Generation and Auditing of Synthetic Patient Trajectories [0.8261055975875736]
臨床的に整合性を持たせるためのパイプラインを構築した。実症例180,712例から合成患者18,071例を作成した。プライバシーリスクの証拠は見つからず、メンバーシップのパフォーマンスはランダムな推測とは区別できない。
論文参考訳（メタデータ） (2026-03-06T00:17:59Z)
A Robust Framework for Secure Cardiovascular Risk Prediction: An Architectural Case Study of Differentially Private Federated Learning [0.0]
FedCVR Learningは、異種臨床ネットワークに適用されるプライバシー保護フレームワークである。我々は,サーバサイド適応最適化の運用上のトレードオフを,ユーティリティ優先の差分プライバシーの下で定量化する。以上の結果から,サーバ側の適応性は,現実的なプライバシ予算の下で臨床ユーティリティを回復するための構造的前提条件であることが確認された。
論文参考訳（メタデータ） (2026-02-28T09:36:38Z)
Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。本手法は歴史的幻覚の可能性を著しく低下させることを示す。
論文参考訳（メタデータ） (2026-02-27T04:49:01Z)
Improving Cardiac Risk Prediction Using Data Generation Techniques [37.94487163156369]
本研究は,実世界の観測と整合したリアルな臨床記録の合成のためのアーキテクチャを提案する。主な目的は、心的リスク予測モデルの性能を高めるため、利用可能なデータセットのサイズと多様性を高めることである。
論文参考訳（メタデータ） (2025-12-19T10:17:00Z)
SPACE: Noise Contrastive Estimation Stabilizes Self-Play Fine-Tuning for Large Language Models [35.53535406831892]
ノイズコントラスト推定(SPACE)による新たなセルフプレイファインチューニング手法(Self-PlAy)を提案する。 SPACEは合成試料を補助成分として扱い、二項分類法で実成分と区別する。本研究では,SPACE は様々なタスクにおける LLM の性能を著しく向上させ,より現実的なサンプルを用いた微調整の教師付けに優れることを示した。
論文参考訳（メタデータ） (2025-12-08T05:16:18Z)
Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
論文参考訳（メタデータ） (2025-11-19T20:11:49Z)
A Hybrid Machine Learning Approach for Synthetic Data Generation with Post Hoc Calibration for Clinical Tabular Datasets [0.9940728137241215]
医療研究と開発は、データ不足と厳格なプライバシー規制のために重大な障害に直面している。患者プライバシを保護しながら、実際のデータ統計をエミュレートする人工データセットを作成します。このスケーラブルでプライバシ保護のアプローチは、最先端の手法と一致し、医療における共同配布の忠実性のための新しいベンチマークを設定します。
論文参考訳（メタデータ） (2025-10-12T09:23:43Z)
A Comparative Benchmark of Federated Learning Strategies for Mortality Prediction on Heterogeneous and Imbalanced Clinical Data [0.0]
フェデレートラーニング(FL)は、プライバシ保護ソリューションを提供するが、その非独立性とIdentically Distributed(非IID)と不均衡な条件下でのパフォーマンスには調査が必要である。本研究では,FedAvg,FedProx,FedAdagrad,FedAdam,FedClusterの5つのフェデレーション学習戦略の比較ベンチマークを行った。この結果から,FedProxのような正規化に基づくFLアルゴリズムは,不均一かつ不均衡な臨床予測タスクに対して,より堅牢で効果的なソリューションを提供することがわかった。
論文参考訳（メタデータ） (2025-09-03T11:32:57Z)
A Robust Pipeline for Differentially Private Federated Learning on Imbalanced Clinical Data using SMOTETomek and FedProx [0.0]
Federated Learning (FL)は、共同健康研究のための画期的なアプローチである。 FLは、差分プライバシー(DP)と組み合わせて正式なセキュリティ保証を提供するプライバシーユーティリティフロンティアで最適な運用領域が特定された。
論文参考訳（メタデータ） (2025-08-06T20:47:50Z)
Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文参考訳（メタデータ） (2024-07-10T19:17:23Z)
Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
データ管理の統合コンポーネントにおける公平性について検討する。本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
論文参考訳（メタデータ） (2020-06-10T20:20:10Z)

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。