論文の概要: FedPref: Federated Preference Learning for Structured Radiology Report Extraction

• arxiv url: http://arxiv.org/abs/2608.16971v1
• Date: Mon, 17 Aug 2026 12:29:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.082008
• Title: FedPref: Federated Preference Learning for Structured Radiology Report Extraction
• Title（参考訳）: FedPref: 構造化放射線学レポート抽出のためのフェデレーション優先学習
• Abstract要約: ラジオロジーレポートでは、自由テキストで発見と位置を記述しているが、下流の検索と分析では、これらの関係を固定スキーマで記述する必要がある。 我々はFedPrefを紹介します: 凍結した公開言語モデルは代替の抽出を提案し、ローカルアノテーションはそれらをランク付けし、サイトはプールされたコンパクトQwen3-8Bアダプタを協調訓練します。 不平等なデータ量と病気の有病率を持つ6つのシミュレートされた病院の開発データに基づき、FedPrefはクライアント平均F1を2.49ポイント、最悪のサイトF1を9.10ポイント改善する。
• 参考スコア（独自算出の注目度）: 69.11739400975445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radiology reports describe findings and locations in free text, but downstream search and analysis require these relations in a fixed schema. Learning this extraction requires labels that are unevenly distributed across institutions: smaller hospitals have less local evidence, and pooling data may be infeasible. We introduce FedPref: frozen public language models propose alternative JSON extractions, local annotations rank them, and sites collaboratively train compact Qwen3-8B adapters while sharing only model updates. A heterogeneous teacher pool provides cross-model contrast when repeated single-model samples collapse. On development data from six simulated hospitals with unequal data volume and disease prevalence, FedPref improves client-mean F1 by 2.49 points and worst-site F1 by 9.10 points compared with training each site in isolation, with the largest gains at the sites holding the least data. Central training on the pooled preference-pair union is 2.66 points higher on client-mean F1. On a locked, 400-report manually validated gold test set, FedPref reaches 68.68 F1 and pooled training 71.67, preserving that same ordering. FedPref thus lets institutions with unequal, unpooled data benefit from collaboration without ever sharing reports or annotations.
• Abstract（参考訳）: ラジオロジーレポートでは、自由テキストで発見と位置を記述しているが、下流の検索と分析では、これらの関係を固定スキーマで記述する必要がある。 この抽出を学習するためには、施設間で不均一に分配されるラベルが必要である。 フリーズされた公開言語モデルは代替JSON抽出を提案し、ローカルアノテーションはそれらをランク付けし、サイトはモデル更新のみを共有しながらコンパクトなQwen3-8Bアダプタを共同でトレーニングします。 不均一な教師プールは、繰り返しシングルモデルサンプルが崩壊した場合に、クロスモデルコントラストを提供する。 不平等なデータ量と病気の有病率を持つ6つのシミュレートされた病院の開発データに基づき、FedPrefはクライアント平均F1を2.49ポイント、最悪のF1を9.10ポイント改善する。 プール化された嗜好ペアユニオンの中央トレーニングは、クライアント平均F1よりも2.66ポイント高い。 ロックされた400レポートのゴールドテストセットでは、FedPrefは68.68 F1に到達し、トレーニング71.67をプールした。 したがってFedPrefは、不平等で不平等なデータを持つ機関が、レポートやアノテーションを共有することなく、コラボレーションの恩恵を受けることができる。

関連論文リスト

• FedDRAW: Federated Dual Reputation Annealing Weighting for Heterogeneous Multi-Institutional Chest Radiograph Classification [1.0384586035475536]
  サーバサイドアグリゲーション手法としてフェデレートデュアルレパレーションアニーリングウェイトリング(FedDRAW)を提案する。 FedDRAWは、AUCと幾何平均(GM)の感度と特異性の両方の8つの手法の中で、最も高い平均ランクを達成している。 サンプル数だけで重みを固定するのではなく、2つの信号をスケジューリングすることで、バイアスの少ない診断モデルを実現できる。
  論文  参考訳（メタデータ） (2026-09-04T14:53:31Z)
• Federated LoRA Adaptation of BiomedCLIP Across Four International Chest X-Ray Cohorts [3.8298947210288374]
  フェデレートされた学習は、データを交換することなく、組織が共有モデルを訓練することを可能にする。 Low-Rank Adaptation (LoRA)は、コンパクトな低ランク更新のみを通信することで、これを大規模に実現している。
  論文  参考訳（メタデータ） (2026-09-02T04:40:05Z)
• FederatedRSF : Federated Random Survival Forests for Partially Overlapping Medical Data [1.0303353919699785]
  フェデレートRSFは、ランダムサバイバル森林を実装し、地元で訓練されたサバイバルツリーを集約し、各場所に特徴互換の木のみを再配布する。 GBSG2乳がんコホートにおけるFederatedRSFとScikit-survival packageの併用効果について検討した。
  論文  参考訳（メタデータ） (2026-05-21T18:32:25Z)
• Fractional-Order Federated Learning [4.1751058176413105]
  フェデレートラーニング(FL)は、リモートクライアントがクライアントのプライバシを保護しながら、グローバルモデルを協調的にトレーニングすることを可能にする。 プライバシー保護のメリットにもかかわらず、FLには、収束の遅い、通信コストの高い、非独立性および独立性のない(非IID)データなど、大きな欠点がある。
  論文  参考訳（メタデータ） (2026-02-17T06:25:23Z)
• Federated Few-Shot Learning for Epileptic Seizure Detection Under Privacy Constraints [1.4150452759904846]
  脳波による発作検出のための2段階連発型数ショット学習フレームワークを提案する。 ステージ1では、事前訓練された生体信号変換器(BIOT)が、フェデレートラーニングを用いて、非IID模擬病院の現場で微調整される。 ステージ2では、フェデレートされた数発のパーソナライゼーションが5つのEEGセグメントのみを用いて各患者に適応する。
  論文  参考訳（メタデータ） (2025-12-09T16:01:35Z)
• Prediction-space knowledge markets for communication-efficient federated learning on multimedia tasks [0.0]
  フェデレートラーニング(FL)は、分散マルチメディアデータによる協調トレーニングを可能にする。 FLの予測空間知識取引市場であるKTA v2を提案する。 FEMNIST、CIFAR-10、AG Newsの実験では、KTA v2はローカルのみのベースラインと強力なパラメータベースの手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-11-30T11:24:19Z)
• Federated Block-Term Tensor Regression for decentralised data analysis in healthcare [2.756275481133711]
  BTTR(Block-Term Regression)は、多線形関係を利用して複雑な高次元データをモデリングするための強力なツールであることが証明されている。 我々はFBRの拡張であるFBTTR(Federated Block-Term Regression)を紹介した。
  論文  参考訳（メタデータ） (2024-12-02T12:40:07Z)
• A Federated Learning Framework for Stenosis Detection [70.27581181445329]
  本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。 アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。 データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
  論文  参考訳（メタデータ） (2023-10-30T11:13:40Z)
• FedSkip: Combatting Statistical Heterogeneity with Federated Skip Aggregation [95.85026305874824]
  我々はFedSkipと呼ばれるデータ駆動型アプローチを導入し、フェデレーション平均化を定期的にスキップし、ローカルモデルをクロスデバイスに分散することで、クライアントの最適化を改善する。 我々は、FedSkipがはるかに高い精度、より良いアグリゲーション効率、競合する通信効率を達成することを示すために、さまざまなデータセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2022-12-14T13:57:01Z)
• Heterogeneous Federated Learning via Grouped Sequential-to-Parallel Training [60.892342868936865]
  フェデレートラーニング(Federated Learning, FL)は、プライバシ保護のためのコラボレーション機械学習パラダイムである。 本稿では,この課題に対処するため,データヘテロジニアス・ロバストFLアプローチであるFedGSPを提案する。 その結果,FedGSPは7つの最先端アプローチと比較して平均3.7%の精度向上を実現していることがわかった。
  論文  参考訳（メタデータ） (2022-01-31T03:15:28Z)
• Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
  我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。 入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。 分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-06-14T05:39:09Z)
• WAFFLe: Weight Anonymized Factorization for Federated Learning [88.44939168851721]
  データが機密性やプライベート性を持つドメインでは、ローカルデバイスを離れることなく、分散的に学習できるメソッドには大きな価値があります。 本稿では,フェデレートラーニングのためのウェイト匿名化因子化(WAFFLe)を提案する。これは,インド・バフェット・プロセスとニューラルネットワークの重み要因の共有辞書を組み合わせたアプローチである。
  論文  参考訳（メタデータ） (2020-08-13T04:26:31Z)

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。