論文の概要: FedCARE: A Multi-Objective Personalised Federated Learning Framework for Smart Healthcare

• arxiv url: http://arxiv.org/abs/2608.03498v1
• Date: Tue, 04 Aug 2026 11:37:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.158296
• Title: FedCARE: A Multi-Objective Personalised Federated Learning Framework for Smart Healthcare
• Title（参考訳）: FedCARE - スマートヘルスケアのための多目的個人化フェデレーション学習フレームワーク
• Abstract要約: textbfFedCAREは、スマートヘルスケアサービスのための多目的パーソナライズされたFLフレームワークである。 We implement FedCARE in a cloud-based client-server federated deployment on the Melbourne Research Cloud。 実験の結果,FedCAREは標準FL,多目的FL,パーソナライズされたFLベースラインより一貫して優れていた。
• 参考スコア（独自算出の注目度）: 15.476161738109658
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated Learning (FL) enables collaborative model training across distributed healthcare institutions without centralising sensitive patient data. However, real-world healthcare federations are often characterised not only by non-IID data, but also by heterogeneous clinical objectives and partially overlapping feature spaces. Different hospitals may optimise distinct and potentially conflicting objectives, such as mortality risk prediction, readmission reduction, or length-of-stay estimation, while also retaining institution-specific clinical features that cannot be shared with other participants. Existing personalised FL methods mainly address statistical heterogeneity, whereas multi-objective FL approaches typically learn a shared global model without explicit client-level adaptation. To address these limitations, we propose \textbf{FedCARE}, a multi-objective personalised FL framework for smart healthcare services. FedCARE follows a two-stage training strategy. First, it learns a shared global backbone from common clinical features using Pareto-driven multi-objective federated optimisation. Second, each client independently fine-tunes the shared backbone using its private features and local clinical objectives, enabling institution-specific personalisation without additional communication overhead. We implement FedCARE in a cloud-based client-server federated deployment on the Melbourne Research Cloud and evaluate it on two real-world healthcare datasets, MIMIC-III and Diabetes 130-US Hospitals. Experimental results show that FedCARE consistently outperforms standard FL, multi-objective FL, and personalised FL baselines, achieving up to 12.5% AUROC improvement and 32.0% MAE reduction over FedAvg.
• Abstract（参考訳）: Federated Learning (FL)は、センシティブな患者データを集中せずに、分散医療機関間で協調的なモデルトレーニングを可能にする。 しかし、現実の医療連合はしばしば、非IIDデータだけでなく、異種の臨床目的や部分的に重複する特徴空間によって特徴づけられる。 異なる病院は、死亡リスク予測(英語版)、寛容縮小(英語版)、または安定期間推定(英語版)などの、異なる、潜在的に矛盾する目標を最適化すると同時に、他の参加者と共有できない施設固有の臨床特徴を保持することができる。 既存のパーソナライズされたFL法は主に統計的不均一性に対処するが、多目的FL法は通常、明示的なクライアントレベル適応なしに共有グローバルモデルを学ぶ。 これらの制約に対処するために、スマートヘルスケアサービスのための多目的パーソナライズされたFLフレームワークである \textbf{FedCARE} を提案する。 FedCAREは2段階のトレーニング戦略に従っている。 まず、パレート駆動多目的フェデレーション最適化を用いて、共通の臨床特徴から共有グローバルバックボーンを学習する。 第2に、各クライアントは、そのプライベートな特徴とローカルな臨床目的を用いて、個別に共有バックボーンを微調整し、追加の通信オーバーヘッドを伴わずに、機関固有のパーソナライズを可能にする。 We implement FedCARE in a cloud-based client-server federated deployment on the Melbourne Research Cloud and evaluate it on two real-world medical data, MIMIC-III and Diabetes 130-US Hospitals。 実験の結果、FedCAREは標準FL、多目的FL、パーソナライズされたFLベースラインを一貫して上回り、最大12.5%のAUROC改善と32.0%のMAE削減を達成した。

関連論文リスト

• FL-MedSegBench: A Comprehensive Benchmark for Federated Learning on Medical Image Segmentation [57.930067699003764]
  Federated Learning (FL)は、生データを共有せずに、協調的な医療画像分析のためのプライバシー保護パラダイムを提供する。 FL-MedSegBenchは,医用画像セグメンテーションにおけるフェデレーション学習のための総合的なベンチマークである。 汎用FL(gFL)法とパーソナライズFL(pFL)法を多次元にわたって体系的に評価した。
  論文  参考訳（メタデータ） (2026-03-12T08:28:41Z)
• A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
  大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。 ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。 本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:48:21Z)
• Blockchain-Enabled Privacy-Preserving Second-Order Federated Edge Learning in Personalized Healthcare [1.859970493489417]
  フェデレートラーニング(FL)は、従来のクラウド中心の機械学習モデルにおいて、セキュリティとプライバシの課題に注目が集まっている。 1次FLアプローチは、異種非独立で同一に分散された(非id)データにより、パーソナライズされたモデルトレーニングにおいていくつかの課題に直面している。 近年,2次FLアプローチは,パーソナライズされたモデルトレーニングを改善しつつ,非IDデータセットの安定性と一貫性を維持している。
  論文  参考訳（メタデータ） (2025-05-31T06:41:04Z)
• Inclusive, Differentially Private Federated Learning for Clinical Data [1.8386868491525161]
  Federated Learning(FL)は、センシティブな患者データを集中化せずに、臨床AIモデルをトレーニングするための有望なアプローチを提供する。 実際の採用は、プライバシやリソース制約、コンプライアンスに関する課題によって妨げられています。 本稿では,定量的クライアントコンプライアンススコアに基づいて適応的にノイズを調整することでDPを向上する新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-28T08:36:21Z)
• FedMetaMed: Federated Meta-Learning for Personalized Medication in Distributed Healthcare Systems [7.32609591220333]
  パーソナライズドメディケーションのためのフェデレーションメタラーニング(FedMetaMed)について紹介する。 FedMetaMedは、フェデレーションラーニングとメタラーニングを組み合わせて、医療システム全体にわたる多様な患者データに適応するモデルを作成する。 我々は、FedMetaMedが最先端のFL法より優れ、最先端のコホートでも優れた一般化を示すことを示す。
  論文  参考訳（メタデータ） (2024-12-05T03:36:55Z)
• FedMAP: Personalised Federated Learning for Real Large-Scale Healthcare Systems [14.378330471182586]
  フェデレーテッド・ラーニング(FL)は、データのプライバシを保護しながら、医療現場での機械学習を可能にすることを約束する。 我々は,局所的な最大値(MAP)推定による統計的不均一性に対処するパーソナライズされたFLフレームワークであるFedMAPを紹介する。 局所トレーニング,FedAvg,PFL法を3つの大規模臨床データセットで比較検討した。
  論文  参考訳（メタデータ） (2024-05-29T11:28:06Z)
• Learning to Specialize: Joint Gating-Expert Training for Adaptive MoEs in Decentralized Settings [41.98633628526484]
  Mixture-of-Experts (MoEs)は、コンポーネントのサブセットを動的に活性化することでスケーラビリティを実現する。 推論コストとデータヘテロジニティにより、ゲーティング関数と専門家の協調トレーニングがドメイン固有の専門知識を割り当てる方法について検討する。
  論文  参考訳（メタデータ） (2023-06-14T15:47:52Z)
• FedDM: Iterative Distribution Matching for Communication-Efficient Federated Learning [87.08902493524556]
  フェデレートラーニング(FL)は近年、学術や産業から注目を集めている。 我々は,複数の局所的代理関数からグローバルなトレーニング目標を構築するためのFedDMを提案する。 そこで本研究では,各クライアントにデータ集合を構築し,元のデータから得られた損失景観を局所的にマッチングする。
  論文  参考訳（メタデータ） (2022-07-20T04:55:18Z)
• IOP-FL: Inside-Outside Personalization for Federated Medical Image Segmentation [18.65229252289727]
  フェデレートラーニング(Federated Learning)は、複数の医療機関がクライアントデータを集中せずにグローバルなモデルを共同で学習することを可能にする。 We propose a novel unified framework for textitInside and Outside model Personalization in FL (IOP-FL)。 2つの医用画像分割作業に関する実験結果から, 内面および外面の個人化におけるSOTA法よりも有意な改善が認められた。
  論文  参考訳（メタデータ） (2022-04-16T08:26:19Z)
• Closing the Generalization Gap of Cross-silo Federated Medical Image Segmentation [66.44449514373746]
  クロスサイロ・フェデレーション・ラーニング (FL) は近年, 深層学習による医用画像解析において注目されている。 FLでトレーニングされたモデルと、集中的なトレーニングでトレーニングされたモデルの間にはギャップがある。 本稿では,クライアントの問題を回避し,ドリフトギャップを解消するための新しいトレーニングフレームワークであるFedSMを提案する。
  論文  参考訳（メタデータ） (2022-03-18T19:50:07Z)
• Differentially private federated deep learning for multi-site medical image segmentation [56.30543374146002]
  フェデレートラーニング(FL)のような協調機械学習技術は、データ転送なしで効果的に大規模なデータセット上でモデルのトレーニングを可能にする。 近年のイニシアチブでは、FLで訓練されたセグメンテーションモデルが、局所的に訓練されたモデルと同様のパフォーマンスを達成できることが示されている。 しかし、FLは完全なプライバシ保護技術ではなく、プライバシ中心の攻撃は秘密の患者データを開示することができる。
  論文  参考訳（メタデータ） (2021-07-06T12:57:32Z)
• FedDG: Federated Domain Generalization on Medical Image Segmentation via Episodic Learning in Continuous Frequency Space [63.43592895652803]
  フェデレーションラーニングは、分散医療機関がプライバシ保護を備えた共有予測モデルを共同で学習することを可能にします。 臨床展開では、連合学習で訓練されたモデルは、連邦外の完全に見えない病院に適用された場合、パフォーマンス低下に苦しむ可能性がある。 そこで本研究では,この問題に対してELCFS(Episodic Learning in Continuous frequency Space)と呼ばれる新しいアプローチを提案する。 本手法の有効性は,2つの医用画像分割作業における最先端および深部アブレーション実験よりも優れていた。
  論文  参考訳（メタデータ） (2021-03-10T13:05:23Z)

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。