Fugu-MT 論文翻訳(概要): Lethe: How Hard Is It to Forget? A Benchmark for Federated Unlearning in Medical Imaging

論文の概要: Lethe: How Hard Is It to Forget? A Benchmark for Federated Unlearning in Medical Imaging

arxiv url: http://arxiv.org/abs/2608.01094v1
Date: Sun, 02 Aug 2026 08:50:20 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-04 15:07:25.082959
Title: Lethe: How Hard Is It to Forget? A Benchmark for Federated Unlearning in Medical Imaging
Title（参考訳）: Lethe:医療画像におけるフェデレーション・アンラーニングのベンチマーク
Abstract要約: フェデレート・ラーニング(Federated Learning)は、医療画像のモデルを病院全体で訓練することを可能にする。医用画像におけるフェデレーション・アンラーニングのベンチマークであるLetheについて紹介する。
参考スコア（独自算出の注目度）: 7.842152902652214
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Federated learning enables medical-imaging models to be trained across hospitals, and privacy law, most explicitly the GDPR ``right to be forgotten'', turns removing a hospital's, a class's, or a patient's influence from such a model into a federated unlearning problem. This need is most acute in medicine, where patients withdraw consent and hospitals leave collaborations. Yet nearly all unlearning evidence comes from natural images, whose heterogeneity and task structure differ sharply from clinical data, so it is unclear whether existing methods transfer, and no shared protocol covers clinical data. We present Lethe, a benchmark for federated unlearning in medical imaging. It evaluates twelve methods across eight task families, from classification and segmentation to denoising, cross-modality synthesis, and vision-language question answering, at three forgetting granularities and against a retrained gold standard on utility, privacy, and cost. The central result is that what separates methods is the difficulty of the forgetting request, not the method itself. The easy removals that dominate the literature leave the methods that preserve utility indistinguishable, while only hard ones separate them. More striking, on the many medical tasks that generalize across sites, forgetting a client barely changes task performance, leaving residual membership as the signal that must be erased.
Abstract（参考訳）: フェデレート・ラーニング(Federated Learning)は、医療画像モデルを病院全体で訓練することを可能にし、プライバシー法(GDPR ''right to be forget'')は、病院、クラス、または患者がそのようなモデルから影響を受けていることを、フェデレーション・アンラーニングの問題に転換する。このニーズは、患者が同意を取り下げ、病院が協力を離れる医療において最も緊急である。しかし、ほとんどすべての未学習の証拠は、不均一性とタスク構造が臨床データと著しく異なる自然画像から来ており、既存の方法が転送されるか、共有プロトコルが臨床データをカバーするかは不明である。医用画像におけるフェデレーション・アンラーニングのベンチマークであるLetheについて紹介する。分類とセグメンテーションから denoising, cross-modality synthesis, and vision- language question answering, at three forgeting grainities and against retrained gold standard on utility, privacy, and cost。主な結果は、メソッドを分離することはメソッド自体ではなく、忘れるリクエストの難しさである。文学を支配している簡単な除去は、実用性を区別できない方法を残し、硬いものだけがそれらを分離する。さらに注目すべきは、サイト全体で一般化される多くの医療タスクにおいて、クライアントを忘れることはタスクのパフォーマンスをほとんど変更せず、残りのメンバシップを消さなければならない信号として残っています。

関連論文リスト

MedForget: Hierarchy-Aware Multimodal Unlearning Testbed for Medical AI [66.0701326117134]
MedForgetは、階層型を意識したマルチモーダルなアンラーニングテストベッドで、準拠する医療AIシステムを構築する。既存の手法は,診断性能を低下させることなく,完全かつ階層性に配慮した忘れの解決に苦慮していることを示す。階層レベルのコンテキストをプロンプトに徐々に追加する再構成攻撃を導入する。
論文参考訳（メタデータ） (2025-12-10T17:55:06Z)
GEMeX-RMCoT: An Enhanced Med-VQA Dataset for Region-Aware Multimodal Chain-of-Thought Reasoning [60.03671205298294]
医学的視覚的質問応答は、医学的イメージに基づいた自然言語的質問にモデルで答えることによって、臨床的な意思決定を支援することを目的としている。現在の方法はまだ、答えの信頼性の制限と解釈性の低下に悩まされている。この研究はまず、回答を生成するプロセスが中間的推論ステップのシーケンスに先行する領域対応マルチモーダル・チェーン・オブ・ソートデータセットを提案する。
論文参考訳（メタデータ） (2025-06-22T08:09:58Z)
FedMedICL: Towards Holistic Evaluation of Distribution Shifts in Federated Medical Imaging [68.6715007665896]
FedMedICLは統合されたフレームワークであり、フェデレートされた医療画像の課題を全体評価するためのベンチマークである。 6種類の医用画像データセットについて,いくつかの一般的な手法を総合的に評価した。単純なバッチ分散手法はFedMedICL実験全体の平均性能において,高度な手法を超越していることがわかった。
論文参考訳（メタデータ） (2024-07-11T19:12:23Z)
Federated Semi-supervised Learning for Medical Image Segmentation with intra-client and inter-client Consistency [10.16245019262119]
フェデレートラーニングは、ローカルデータ交換なしで、分離されたクライアントの共有モデルをトレーニングすることを目的としている。本研究では,医用画像セグメンテーションのための新しい半教師付き学習フレームワークを提案する。
論文参考訳（メタデータ） (2024-03-19T12:52:38Z)
EviPrompt: A Training-Free Evidential Prompt Generation Method for Segment Anything Model in Medical Images [14.899388051854084]
医用画像のセグメンテーションは、臨床応用性は非常に高いが、深層学習の進歩にもかかわらず、依然として課題である。本稿では,これらの課題を克服するために,EviPromptという新たなトレーニング不要なエフェクトプロンプト生成手法を提案する。提案手法は,医用画像に固有の類似性に基づいて構築され,単一の参照画像アノテーションペアのみを必要とする。
論文参考訳（メタデータ） (2023-11-10T21:22:22Z)
Single-Image-Based Deep Learning for Segmentation of Early Esophageal Cancer Lesions [36.60419108411669]
脳波病変の分節化のための新しい深層学習手法を提案する。 1人の患者から得られる1つのイメージにのみ依存し、いわゆる"You-Only-Have-One"フレームワークを形成する。我々は、自分たちで作成したEECデータセットに対してYOHOを評価し、平均Diceスコア0.888を達成した。
論文参考訳（メタデータ） (2023-06-09T14:06:26Z)
Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
論文参考訳（メタデータ） (2022-09-27T15:50:31Z)
FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine Transform Loss [58.58979566599889]
脳画像合成のための新しい自己教師型学習(FedMed)を提案する。アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
論文参考訳（メタデータ） (2022-01-29T13:45:39Z)
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)
Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文参考訳（メタデータ） (2020-07-21T14:37:00Z)
Medical-based Deep Curriculum Learning for Improved Fracture Classification [36.54112505898611]
我々は,X線画像から大腿骨近位部骨折の分類を支援するために,カリキュラム学習に依存するいくつかの戦略を提案し,比較する。我々の戦略は、複数の専門家の注釈における医学的決定木や矛盾といった知識から導かれる。以上の結果から,一様戦略とランダム戦略と比較して,医療知識に基づくカリキュラムの精度は最大15%向上した。
論文参考訳（メタデータ） (2020-04-01T14:56:43Z)

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。