論文の概要: One Round Is All You Need: Analytic Federated Learning for Task-Heterogeneous Multi-Label Medical Image Classification
- arxiv url: http://arxiv.org/abs/2607.20641v1
- Date: Wed, 22 Jul 2026 18:11:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.186327
- Title: One Round Is All You Need: Analytic Federated Learning for Task-Heterogeneous Multi-Label Medical Image Classification
- Title（参考訳）: タスク・ヘテロジニアスなマルチラベル医療画像分類のための分析的フェデレーション学習
- Abstract要約: 本稿では,タスクの不均一性を考慮した医用画像分類のための分析フェデレーション学習フレームワークを提案する。
提案手法は、3つの閉形式演算を反復的勾配最適化に置き換える。
これは、最先端のフェデレーション方式であるFedMLPの18.44 BACC点と13.24 AUC点を一貫して上回っている。
- 参考スコア（独自算出の注目度）: 1.5870512175595712
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated learning (FL) enables multiple clinical institutions to collaboratively train a shared disease classifier without centralizing patient data. In practice, however, each institution annotates only the pathologies within its area of expertise, so the federation operates under task heterogeneity: each client holds labels for a strict subset of the target disease categories while the remaining classes are entirely unobserved at that site. Existing gradient-based FL methods fail under this setting because they require hundreds of communication rounds to converge and because missing class labels introduce systematic false-negative bias that the model cannot correct without a principled mechanism. We propose an analytic federated learning framework for multi-label medical image classification under task heterogeneity. The proposed method replaces iterative gradient optimization with three closed-form operations: a balanced label projection that neutralizes class-imbalance bias by normalizing positive and negative contributions to equal total mass; a per-class absolute aggregation law that independently assembles the optimal ridge-regression classifier for each disease category from the sufficient statistics uploaded by its annotating clients; and an optional analytic pseudo-label refinement round that propagates missing-class knowledge from a confidence-filtered teacher classifier to non-annotating clients. The entire procedure requires at most two communication rounds, irrespective of the degree of task heterogeneity or the number of participating clients. Experiments on ChestXray14 under four progressively severe missing-class configurations demonstrate that the proposed method consistently outperforms the state-of-the-art federated multi-label method FedMLP by up to 18.44 BACC points and 13.24 AUC points, while reducing the communication.
- Abstract（参考訳）: フェデレートラーニング(FL)は、複数の臨床機関が患者データを集中化せずに共有疾患分類器を共同で訓練することを可能にする。
しかし、実際には、各機関は専門分野内の病理のみに注釈を付けるため、連盟はタスクの不均一性の下で運営され、各クライアントはターゲットの疾患カテゴリの厳格なサブセットのラベルを保持し、残りのクラスは、その場所で完全に観察されていない。
既存の勾配に基づくFL法はこの設定の下では失敗し、数百の通信ラウンドを収束させる必要があり、クラスラベルの欠如は、モデルが原則化されたメカニズムなしでは修正できないような体系的な偽陰性バイアスをもたらすためである。
タスクの不均一性を考慮した多ラベル医用画像分類のための分析フェデレーション学習フレームワークを提案する。
提案手法は, 反復的勾配最適化を3つの閉形式操作に置き換える: 正および負の寄与を等しい総質量に正規化することにより, クラス不均衡バイアスを中和するバランス付きラベルプロジェクション, 注釈付クライアントがアップロードした十分な統計量から, それぞれの疾患カテゴリに対して最適なリッジ-回帰分類器を独立に組み立てるクラスごとの絶対集約法, 信頼度の高い教師分類器から非注釈付クライアントへ, 欠落したクラス知識を伝播する分析擬似ラベル改良ラウンド。
手順全体は、タスクの不均一性の程度や参加するクライアントの数に関係なく、少なくとも2回のコミュニケーションラウンドを必要とします。
ChestXray14の4つの重大な欠落クラス構成下での実験により、提案手法は、通信を減らしつつ、最先端のフェデレーション・マルチラベル法であるFedMLPを最大18.44 BACCポイントと13.24 AUCポイントで連続的に上回っていることが示された。
関連論文リスト
- FedMLP: Federated Multi-Label Medical Image Classification under Task Heterogeneity [30.49607763632271]
クロスサイロ・フェデレーション・ラーニング(FL)は、分散化された組織がデータのプライバシを保持しながら、協力的にモデルをトレーニングすることを可能にする。
擬似ラベルタグ付けとグローバル知識学習という2つの側面から欠落したクラスに対処する2段階のFedMLPを提案する。
公的に利用可能な2つの医療データセットの実験は、FedMLPの最先端の半教師付きおよびノイズの多いラベル学習アプローチに対する優位性を検証する。
論文 参考訳（メタデータ） (2024-06-27T08:36:43Z) - Appeal: Allow Mislabeled Samples the Chance to be Rectified in Partial Label Learning [55.4510979153023]
部分ラベル学習(PLL)では、各インスタンスは候補ラベルのセットに関連付けられ、そのうち1つだけが接地真実である。
誤記されたサンプルの「アペアル」を支援するため,最初の魅力に基づくフレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-18T09:09:52Z) - Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
補完ラベル学習は、弱教師付き学習問題である。
均一分布仮定に依存しない一貫したアプローチを提案する。
相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
論文 参考訳（メタデータ） (2023-11-27T02:59:17Z) - Rethinking Semi-Supervised Federated Learning: How to co-train
fully-labeled and fully-unlabeled client imaging data [6.322831694506287]
分離フェデレートラーニング(IsoFed)は、半教師付きフェデレートラーニング(SSFL)に特化して設計されたラーニングスキームである。
本稿では,教師付きモデルと半教師付きモデルの簡易な平均化を回避し,SSFLに特化して設計した新しい学習手法を提案する。
特に、我々のトレーニングアプローチは、(a)ラベル付きおよびラベルなしのクライアントモデルの独立したアグリゲーションと、(b)すべてのクライアントで独立したグローバルモデルのローカルな自己教師付き事前トレーニングという2つの部分で構成されています。
論文 参考訳（メタデータ） (2023-10-28T20:41:41Z) - A Universal Unbiased Method for Classification from Aggregate
Observations [115.20235020903992]
本稿では,任意の損失に対する分類リスクを非バイアスで推定するCFAOの普遍的手法を提案する。
提案手法は,非バイアスリスク推定器によるリスクの整合性を保証するだけでなく,任意の損失に対応できる。
論文 参考訳（メタデータ） (2023-06-20T07:22:01Z) - 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) - Dynamic Bank Learning for Semi-supervised Federated Image Diagnosis with
Class Imbalance [65.61909544178603]
クラス不均衡半教師付きFL(imFed-Semi)の実用的かつ困難な問題について検討する。
このImFed-Semi問題は、クラス比例情報を利用してクライアントトレーニングを改善する新しい動的銀行学習方式によって解決される。
25,000個のCTスライスによる頭蓋内出血診断と10,015個の皮膚内視鏡画像による皮膚病変診断の2つの公開実世界の医療データセットに対するアプローチを評価した。
論文 参考訳（メタデータ） (2022-06-27T06:51:48Z) - False membership rate control in mixture models [1.387448620257867]
クラスタリングタスクは、サンプルの要素を均質なグループに分割する。
教師付き設定では、このアプローチはよく知られており、禁忌オプションの分類として言及されている。
本稿では, 教師なし混合モデルフレームワークで再検討し, 偽会員率が予め定義された名目レベルを超えないことを保証する手法を開発することを目的とする。
論文 参考訳（メタデータ） (2022-03-04T22:37:59Z) - Federated Semi-supervised Medical Image Classification via Inter-client
Relation Matching [58.26619456972598]
フェデレートラーニング(FL)は、ディープ・ネットワークのトレーニングのために、分散医療機関とのコラボレーションで人気が高まっている。
本報告では,実践的かつ困難なFL問題であるtextitFederated Semi-supervised Learning (FSSL)について検討する。
本稿では, 従来の整合性正規化機構を改良し, クライアント間関係マッチング方式を提案する。
論文 参考訳（メタデータ） (2021-06-16T07:58:00Z) - PLM: Partial Label Masking for Imbalanced Multi-label Classification [59.68444804243782]
長いラベルの分布を持つ実世界のデータセットで訓練されたニューラルネットワークは、頻繁なクラスに偏りがあり、頻繁なクラスでは不十分である。
本稿では,この比率を利用したPLM(Partial Label Masking)を提案する。
本手法は,マルチラベル (MultiMNIST と MSCOCO) とシングルラベル (CIFAR-10 と CIFAR-100) の2つの画像分類データセットにおいて,既存の手法と比較して高い性能を実現する。
論文 参考訳（メタデータ） (2021-05-22T18:07:56Z)
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。