論文の概要: Similarity Weighted Aggregation with Global Differential Privacy for Federated Brain Lesion Segmentation

• arxiv url: http://arxiv.org/abs/2608.00872v1
• Date: Sat, 01 Aug 2026 21:23:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.966989
• Title: Similarity Weighted Aggregation with Global Differential Privacy for Federated Brain Lesion Segmentation
• Title（参考訳）: フェデレーション脳病変分節に対するグローバル差分プライバシを用いた類似度重み付きアグリゲーション
• Authors: Muhammad Irfan Khan, Eero Lehtonen, Joni Obradovic, Elina Kontio, Esa Alhoniemi, Suleiman A. Khan, Mojtaba Jafaritadi,
• Abstract要約: Federated Learning (FL)は、機密データを共有することなく、複数の機関で機械学習モデルの協調トレーニングを可能にする。 本稿では、類似度重み付け集約とサーバ側差分プライバシー機構を統合したプライバシー保護フェデレーション学習フレームワークDP-SimAggを提案する。
• 参考スコア（独自算出の注目度）: 0.04863616912081875
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning (FL) enables collaborative training of machine learning models across multiple institutions without sharing sensitive data, making it particularly suitable for medical imaging applications. However, heterogeneous data distributions across institutions and potential information leakage through model updates remain important challenges. In this work, we propose DP-SimAgg, a privacy-preserving federated learning framework that integrates similarity-weighted aggregation with a server-side differential privacy mechanism. The proposed method applies L2 clipping to bound collaborator updates, computes similarity-based aggregation weights to mitigate the effects of non-IID data distributions, and injects calibrated Gaussian noise at the central server, providing per-round privacy guarantees under the assumed sensitivity bound. The framework is implemented using Intel's OpenFL platform and evaluated on the FeTS 2022 dataset consisting of 1251 multi-modal MRI scans for brain tumor segmentation. Experimental results demonstrate that DP-SimAgg maintains competitive segmentation performance while providing privacy protection. Under a strict per-round privacy budget (epsilon = 1, cumulative epsilon_total = 20 over 20 rounds), the method achieves Dice scores of 0.6357, 0.5305, and 0.5274 for the enhancing tumor (ET), tumor core (TC), and whole tumor (WT) regions, respectively. With a more relaxed per-round budget (epsilon = 10, cumulative epsilon_total = 200), performance approaches that of the non-private baseline while incorporating a central Gaussian mechanism with per-round (epsilon, delta)-DP accounting under the assumed sensitivity bound. These results highlight the potential of DP-SimAgg for enabling privacy-preserving collaborative learning in medical imaging applications.
• Abstract（参考訳）: Federated Learning(FL)は、センシティブなデータを共有せずに、複数の機関で機械学習モデルの協調トレーニングを可能にする。 しかし、組織間での不均一なデータ分布と、モデル更新による潜在的な情報漏洩は、依然として重要な課題である。 本研究では、類似度重み付け集約とサーバ側差分プライバシー機構を統合したプライバシー保護フェデレーション学習フレームワークDP-SimAggを提案する。 提案手法は,コラボレータのリバウンド更新にL2クリッピングを適用し,類似度に基づくアグリゲーションの重み付けを計算し,非IIDデータ分散の影響を軽減し,ガウス雑音を中心サーバに注入し,推定感度境界の下で各ラウンドのプライバシ保証を提供する。 このフレームワークはIntelのOpenFLプラットフォームを使用して実装され、脳腫瘍のセグメンテーションのための1251のマルチモーダルMRIスキャンからなるFeTS 2022データセットで評価されている。 実験の結果,DP-SimAggはプライバシ保護を提供しながら,競合セグメンテーション性能を維持していることがわかった。 厳格な1ラウンド当たりのプライバシー予算(epsilon = 1, cumulative epsilon_total = 20 over 20 rounds)の下で、Diceスコアは、拡張腫瘍(ET)、腫瘍コア(TC)、腫瘍全体(WT)領域それぞれ0.6357、0.5305、0.5274に達する。 より緩和されたラウンド単位の予算(エプシロン=10、累積エプシロン=200)では、推定感度境界の下でのラウンド単位(エプシロン、デルタ)-DPの中央ガウス機構を取り入れながら、非プライベートベースラインのパフォーマンスにアプローチする。 これらの結果は,DP-SimAggの医療画像アプリケーションにおけるプライバシー保護協調学習の可能性を強調した。

関連論文リスト

• FedDP-PALD: A Privacy-Preserving Federated Latent Diffusion Framework with Prototype Aggregation for Medical Data Synthesis [0.6372261626436676]
  我々は、正式なプライバシー保証の下で医療データ合成のためのプライバシー保護フレームワークであるFedDP-PALDを提案する。 胸部X線画像と心電図信号を処理する。 メンバーシップ推論に強く抵抗しながら、有用な決定性能を維持するプライベートな合成表現を生成する。
  論文  参考訳（メタデータ） (2026-07-13T21:04:37Z)
• Adaptive Differential Privacy for Federated Medical Image Segmentation Across Diverse Modalities [0.3560429497877326]
  医用画像セグメンテーションのための適応型偏微分プライベート・フェデレーション学習フレームワークを提案する。 提案手法はトレーニングを安定化し、Diceスコアとセグメンテーション境界品質を大幅に改善し、厳格なプライバシー保証を維持する。 ADP-FLは従来のフェデレーション学習と標準的な差分的フェデレーション学習と比較して、高い精度、境界線線の改善、より高速な収束、より優れたトレーニング安定性を実現している。
  論文  参考訳（メタデータ） (2026-04-07T23:18:20Z)
• Brain-WM: Brain Glioblastoma World Model [56.45393372490125]
  我々は、次世代治療予測と将来のMRI生成を統一する先駆的なGBMワールドモデルであるBrain-WMを提案する。 Brain-WMは、潜在ダイナミクスを共有潜在空間に符号化し、関節自己回帰治療予測とフローベース将来のMRI生成を行う。 最終的にBrain-WMは、患者医療を最適化するための堅牢な臨床サンドボックスを提供する。
  論文  参考訳（メタデータ） (2026-03-08T09:54:08Z)
• Privacy-Preserving Collaborative Medical Image Segmentation Using Latent Transform Networks [2.4149105714758545]
  本研究は、異種医療データセット用に設計されたプライバシ保護協調医療画像セグメンテーションフレームワーク(PPCMI-SF)を紹介する。 サーバ側の統一マッピングネットワークは、複数スケールの潜時-潜時変換を実行し、生データを公開することなくセグメンテーション推論を可能にする。
  論文  参考訳（メタデータ） (2026-03-04T12:05:45Z)
• Differential Privacy for Adaptive Weight Aggregation in Federated Tumor Segmentation [0.05411994681207571]
  Federated Learning(FL)は、個々のクライアントデータのプライバシを尊重しながら、公平なグローバルモデルを作成することによって、プライバシを保護する分散機械学習アプローチである。 医用画像セグメンテーションにおける差分プライバシー(DP)統合ディープラーニングフレームワークを提案する。 我々は, 類似度重み付け法(SimAgg)を, 脳腫瘍セグメント化のための差分プライベート類似度重み付けアルゴリズムDP-SimAggアルゴリズムに拡張する。
  論文  参考訳（メタデータ） (2023-08-01T21:59:22Z)
• Federated Offline Reinforcement Learning [55.326673977320574]
  マルチサイトマルコフ決定プロセスモデルを提案する。 我々は,オフラインRLを対象とした最初のフェデレーション最適化アルゴリズムを設計する。 提案アルゴリズムでは,学習ポリシーの準最適性は,データが分散していないような速度に匹敵する,理論的保証を与える。
  論文  参考訳（メタデータ） (2022-06-11T18:03:26Z)
• FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality Brain Image Synthesis [55.939957482776194]
  我々は、教師なし脳画像合成におけるフェデレートドメイン翻訳のための新しいベンチマーク(FedMed-GAN)を提案する。 FedMed-GANは発電機の性能を犠牲にすることなくモード崩壊を緩和する。 FedMed-GANと他の集中型手法を比較するための総合的な評価を提供する。
  論文  参考訳（メタデータ） (2022-01-22T02:50:29Z)
• Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
  複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。 本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。 実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
  論文  参考訳（メタデータ） (2021-10-07T14:03:00Z)
• Differentially Private Federated Learning with Laplacian Smoothing [72.85272874099644]
  フェデレートラーニングは、ユーザ間でプライベートデータを共有せずに、協調的にモデルを学習することで、データのプライバシを保護することを目的としている。 敵は、リリースしたモデルを攻撃することによって、プライベートトレーニングデータを推測することができる。 差別化プライバシは、トレーニングされたモデルの正確性や実用性を著しく低下させる価格で、このような攻撃に対する統計的保護を提供する。
  論文  参考訳（メタデータ） (2020-05-01T04:28:38Z)

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。