論文の概要: SynPre-FL: Synthetic data-driven pretraining integrated Federated Learning training framework
- arxiv url: http://arxiv.org/abs/2607.19524v1
- Date: Tue, 21 Jul 2026 19:12:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-23 18:51:37.910247
- Title: SynPre-FL: Synthetic data-driven pretraining integrated Federated Learning training framework
- Title（参考訳）: SynPre-FL: 合成データ駆動型予習統合フェデレートラーニングトレーニングフレームワーク
- Abstract要約: 非IID条件下での頑健な予測のために,高忠実度合成EHR生成と合成事前学習FLを組み合わせた統合フレームワークを提案する。
潜在自己エンコーダ拡散モデルでは、フェデレーショントレーニングのウォームスタートに使用されるプライバシー保護型合成コホートを生成する。
ポストホックキャリブレーションとフェデレーションセーフの説明可能性は信頼性と解釈可能なリスク推定をサポートする。
- 参考スコア（独自算出の注目度）: 11.908618960989008
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Federated learning (FL) offers a promising approach to privacy-preserving clinical risk prediction, but its deployment remains limited by restricted data sharing, client heterogeneity, class imbalance, and the lack of realistic tabular electronic health record (EHR) benchmarks. Synthetic data generation may alleviate data scarcity, yet its integration with federated optimisation has received limited systematic study. We propose SynPre-FL, a unified framework combining high-fidelity synthetic EHR generation with synthetic-pretrained FL for robust prediction under non-IID conditions. A latent autoencoder-diffusion model generates privacy-preserving synthetic cohorts, which are used to warm-start federated training. This pretraining is followed by heterogeneity-aware optimisation using class-balanced local objectives, proximal regularisation, and adaptive server aggregation. Post-hoc calibration and federated-safe explainability support reliable and interpretable risk estimates. Experiments show that the synthetic generator preserves univariate, bivariate, and multivariate structure while protecting against membership-inference and reconstruction attacks. The generated data achieve strong downstream utility under TSTR, TRTS, and model-based evaluations. Across federated settings with 5, 10, and 15 heterogeneous clients, SynPre-FL consistently improves robustness and scalability over baseline methods, especially under severe non-IID fragmentation. Calibration improves probability reliability, while SHAP analysis produces stable and clinically coherent feature attributions across federation sizes. SynPre-FL therefore provides a practical and reproducible framework for combining synthetic data with FL to enable privacy-aware, interpretable, and robust clinical prediction from distributed tabular EHR data.
- Abstract（参考訳）: フェデレートラーニング(FL)は、プライバシを保存する臨床リスク予測に対する有望なアプローチを提供するが、その展開は制限されたデータ共有、クライアントの不均一性、クラス不均衡、現実的な表形式の電子健康記録(EHR)ベンチマークの欠如によって制限されている。
合成データ生成はデータの不足を軽減する可能性があるが、フェデレーション最適化との統合は限られた体系的な研究を受けている。
非IID条件下でのロバスト予測のために,高忠実度合成EHR生成と合成事前学習FLを組み合わせた統合フレームワークSynPre-FLを提案する。
潜在自己エンコーダ拡散モデルでは、フェデレーショントレーニングのウォームスタートに使用されるプライバシー保護型合成コホートを生成する。
この事前学習に続いて、クラスバランスの局所目標を用いた不均一性を考慮した最適化、近位正規化、適応サーバアグリゲーションが続く。
ポストホックキャリブレーションとフェデレーションセーフの説明可能性は信頼性と解釈可能なリスク推定をサポートする。
実験により、合成発電機は、一変量、二変量、多変量構造を保ちながら、メンバーシップ推論や再構築攻撃を防いでいることが示された。
生成されたデータは、TSTR、TRTS、モデルベース評価の下で、強力な下流ユーティリティを実現する。
5、10、15の異種クライアントからなるフェデレーション設定全体において、SynPre-FLは、特に厳しい非IIDフラグメンテーションの下で、ベースラインメソッドよりも堅牢性とスケーラビリティを一貫して改善する。
キャリブレーションは信頼性を向上し、SHAP分析はフェデレーションサイズ全体にわたる安定かつ臨床的に一貫性のある特徴属性を生成する。
そこでSynPre-FLは、合成データをFLと組み合わせて実用的で再現可能なフレームワークを提供する。
関連論文リスト
- Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。
このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。
多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
論文 参考訳（メタデータ） (2026-05-28T13:26:53Z) - Concordia: Self-Improving Synthetic Tables for Federated LLMs [80.03837595689608]
フェデレートラーニングは、生データを共有することなく、大きな言語モデル(LLM)をトレーニングすることを可能にする。
合成データ生成とフェデレートされた検証ユーティリティを連携させるフレームワークであるConcordiaを提案する。
論文 参考訳（メタデータ） (2026-05-11T01:17:58Z) - Generative Synthetic Data for Causal Inference: Pitfalls, Remedies, and Opportunities [4.144744763257738]
合成データは、プライバシ保護データリリース、拡張、シミュレーションのための有望なツールを提供する。
しかし、因果推論での使用には、予測的忠実性以上のものを保存する必要がある。
GANとLCMをベースとしたモデルを含む,完全生成型表層合成器は,強い合成・テスト・オン・リアルな性能を実現することができることを示す。
論文 参考訳（メタデータ） (2026-04-26T22:38:23Z) - Reinforcement-Guided Synthetic Data Generation for Privacy-Sensitive Identity Recognition [60.52810518437911]
高忠実度生成モデルは、プライバシーに敏感なシナリオでますます必要とされている。
限られたデータによって生成モデルは貧弱になり、データ不足を軽減できない。
汎用ドメイン生成の先行を識別タスクに適応させる,強化誘導型合成データ生成フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-09T06:52:03Z) - Stable and Privacy-Preserving Synthetic Educational Data with Empirical Marginals: A Copula-Based Approach [1.5449641546929325]
Non-Parametric Gaussian Copula (NPGC) は、深層学習とパラメトリック最適化を経験的統計的アンカーに置き換えるプラグアンドプレイ合成法である。
NPGCは、差分プライバシー(DP)を限界レベルと相関レベルの両方で統合し、異種変数タイプをサポートし、欠落したデータを明示的な状態として扱い、情報的不在パターンを維持する。
論文 参考訳（メタデータ） (2026-04-05T17:34:21Z) - DISCO-TAB: A Hierarchical Reinforcement Learning Framework for Privacy-Preserving Synthesis of Complex Clinical Data [2.3915781021862332]
DISCO-TABは、Reinforcement Learningによって最適化された多目的識別器システムを用いて、微調整LDMをオーケストレーションする新しいフレームワークである。
私たちは、高次元の小さな医療データセットを含むさまざまなベンチマークで、私たちのフレームワークを厳格に検証しています。
以上の結果から, 階層的フィードバックは最先端の成果をもたらすことが示され, 下流の臨床的有用性は最大38.2%向上した。
論文 参考訳（メタデータ） (2026-04-01T23:37:58Z) - Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。
実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。
FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
論文 参考訳（メタデータ） (2026-02-01T05:54:59Z) - CO-PFL: Contribution-Oriented Personalized Federated Learning for Heterogeneous Networks [51.43780477302533]
コントリビューション指向型PFL(CO-PFL)は,グローバルアグリゲーションに対する各クライアントのコントリビューションを動的に推定するアルゴリズムである。
CO-PFLは、パーソナライズ精度、堅牢性、スケーラビリティ、収束安定性において、最先端の手法を一貫して超越している。
論文 参考訳（メタデータ） (2025-10-23T05:10:06Z) - 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) - CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。
このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。
提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
論文 参考訳（メタデータ） (2022-03-03T05:58:49Z)
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。