論文の概要: FedCoRe: Target-Adaptive Completion for Missing Modalities in Healthcare Federated Learning

• arxiv url: http://arxiv.org/abs/2608.18311v1
• Date: Tue, 18 Aug 2026 20:45:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.206601
• Title: FedCoRe: Target-Adaptive Completion for Missing Modalities in Healthcare Federated Learning
• Title（参考訳）: FedCoRe: ヘルスケア・フェデレーション・ラーニングにおけるモダリティの欠如に対する目標適応的補完
• Abstract要約: 統合マルチモーダルモデルでは、病院はEHR、胸部X線写真、ECGへのアクセスが異なるが、全てのサイトがあらゆるモダリティを持っていると仮定することが多い。 シミュレーションFLクライアントを用いたMIMIC由来の呼吸劣化タスクについて検討し,FedCoReを紹介する。 FedCoReは、合成ECGやCXR画像を生成するのではなく、表現空間またはロジット空間の補正を学ぶ。
• 参考スコア（独自算出の注目度）: 3.616090348351236
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated multimodal models often assume every site has every modality, although hospitals differ in access to EHRs, chest radiographs, and ECGs. We study this setting on a MIMIC-derived respiratory deterioration task with simulated FL clients and introduce FedCoRe (Federated Cross-Modal Representation Completion). FedCoRe learns representation- or logit-space corrections rather than generating synthetic ECGs or CXR images. When a client observes a modality that may be missing at deployment, it evaluates the same example with and without that modality to obtain paired supervision. Only clients with such pairs update the completion module, and validation may retain the unchanged prediction. We freeze the trained multimodal predictor during evaluation so that measured differences come only from completion. Hiding ECG reduced AUROC by about 0.085; paired-example FedAvg restored 0.0415 AUROC, or 49.0% of the lost performance. We therefore report two distinct effects: paired-example FedAvg partially recovers the missing-ECG gap, while validation-selected completion is a task-specific classifier-logit correction rather than literal ECG recovery. For CXR, effect-aware completion recovers 52.8% of the loss in a controlled test where CXR is hidden. Paired-example FedAvg transfers part of this effect, but validation keeps the no-completion baseline for deployment cases whose inputs lack CXR. Thus, FedCoRe should be read as a validation-gated completion/correction framework: it can recover missing-modality signal in supported settings, but it should be deployed only when paired examples and validation evidence support that modality.
• Abstract（参考訳）: 統合マルチモーダルモデルでは、病院はEHR、胸部X線写真、ECGへのアクセスが異なるが、全てのサイトがあらゆるモダリティを持っていると仮定することが多い。 FLクライアントを模擬したMIMICによる呼吸劣化タスクについて検討し,FedCoRe(Federated Cross-Modal Representation Completion)を導入する。 FedCoReは、合成ECGやCXR画像を生成するのではなく、表現空間またはロジット空間の補正を学ぶ。 クライアントがデプロイ時に欠落しているかもしれないモダリティを観察すると、同じ例をそのモダリティなしで評価し、ペア化された監視を得る。 このようなペアを持つクライアントのみがコンプリートモジュールを更新し、バリデーションは変更のない予測を保持する可能性がある。 評価中にトレーニングされたマルチモーダル予測器を凍結し、測定値の違いが完了からのみ生じるようにした。 ECGの保持によりAUROCは約0.085減少し、FedAvgは0.0415 AUROCを復活させた。 そこで我々は2つの異なる効果を報告した: ペア-例 FedAvg は部分的に欠落したECGギャップを回復するが、バリデーション-選択された完了はリテラルECGリカバリよりもタスク固有の分類器-ログ補正である。 CXRでは、CXRが隠された制御テストにおいて、エフェクト・アウェア・コンプリートが52.8%の損失を回復する。 Paired-example FedAvgは、この効果の一部を転送するが、入力にCXRが欠けているデプロイメントケースでは、未完成のベースラインを維持している。 したがって、FedCoReは、バリデーション付きの完了/訂正フレームワークとして読み取るべきである: サポート対象の設定で欠落したモダリティ信号を回復できるが、ペア化された例とバリデーションがモダリティをサポートする場合にのみデプロイされるべきである。

関連論文リスト

• Conditioning noise is a free regularizer for LoRA fine-tuning: no pathology encoder required for diffusion-based artifact detection in histopathology [1.8864137667201766]
  拡散型アーティファクト検出器は、クリーン組織に微調整されたモデルの下で、再構成誤差によって全スライディングイメージパッチをスコアする。 ランダムなガウス埋め込みにこの微調整を施すことで、クリーン/アーティファクトの分離が一貫して広がることを示す。
  論文  参考訳（メタデータ） (2026-09-11T07:16:38Z)
• CARD: Calibration via Agreement in Reverse Diffusion for Out-of-Domain MRI Segmentation [14.844162865265673]
  そこで我々は,不一致の時間的集合を全クラスにわたって1ピクセルあたりの温度場にマッピングし,セグメント化ができない間に信頼度が変化するようにCARDを提案する。 心臓、前立腺、脳のMRIシフトによって、CARDは各設定において最強のベースラインと比較した場合、49の45のキャリブレーション誤差を低下させる。
  論文  参考訳（メタデータ） (2026-08-26T07:23:08Z)
• Cross-Fitted Residual Utility for Primary-Preserving Cognitive Decision Correction in Automatic Modulation Classification [1.547549252134621]
  本稿では,クロスフィット型残効ユーティリティとプライマリ保存型認知決定ポリシーを用いて,推論後の問題について検討する。 構造化されたkan-Fourier分類器はデフォルトの確率を提供し、ニューラルおよび非ニューラル候補は観測可能な証拠を提供する。 RMLA、RMLB、HISARでは、完全なシステムは全体の精度を63.632%から66.332%、65.161%から66.168%、77.769%から79.867%に改善している。
  論文  参考訳（メタデータ） (2026-08-03T11:07:37Z)
• Loud or Silent? A Reusable Framework for Per-Modality Failure Analysis in Multimodal Clinical AI [3.7524666944787644]
  2つの疑問は、どのモダリティに責任があるか、そしてモデルがモダリティを落として大音量または無音で失敗するかである。 モデルに依存しないモダリティ・欠陥の枠組みとして、Nのモダリティの埋め込み、マスクを意識したプローブ、ラベルを与えられた場合、例ごとの故障分類を返します。 モダリティ当たりのVSサイレントレートを報告し、3つのモダリティ相補性行列にスケールする。
  論文  参考訳（メタデータ） (2026-08-02T19:38:56Z)
• DriftScope: Measuring The Hidden Effects of Diffusion Model Adaptation [50.584834483403675]
  新しい視覚概念を学習するか、望ましくないものを消去するか、事前学習したテキスト・画像拡散モデルに適応させることは、意図した効果だけで日常的に評価される。 適応が意味論的に無関係な概念を、構造的にメトリクスを集約することができない方法で体系的に損なうことを実証する。 DriftScopeは、任意の2つのモデルチェックポイントを取り込み、視覚的概念が最も移行したトークンのランクリストを返す、プロンプトレベルの診断ツールである。
  論文  参考訳（メタデータ） (2026-06-30T20:57:51Z)
• Explaining RhythmFormer: A Systematic XAI Analysis of Periodic Sparse Attention for Remote Photoplethysmography [1.647210198730602]
  Photoplethys変換器は、ベンチマークで心拍数エラーが低いが、その決定は不透明である。 既存のXAIは、定量的忠実度測定や生理的根拠による検証を伴わない定性的なヒートマップ検査によって支配されている。 我々は、RhythmFormerの2レベルの注意をトップ$k$選択で定量化するために、4つの方法(raw attention, rollout, flow, Beyond Intuition)を適用する。
  論文  参考訳（メタデータ） (2026-06-11T19:10:06Z)
• A Controlled Audit of Pretraining Contamination in Public Medical Vision-Language Benchmarks [46.43161388634735]
  医用視覚言語モデル(VLM)は、画像と質問応答ペアが何年も無料でダウンロードされている公開ベンチマークで評価される。 SLAKE-En,PathVQA,VQA-RAD,および4つの検出器ファミリを用いたOmniMedVQAミラーのオープンVLMを検査した。
  論文  参考訳（メタデータ） (2026-06-08T18:40:10Z)
• Rethinking Incompleteness: Formalizing Protocol Divergence and Train-Once Learning for Robust IMVC [13.498020856656494]
  IMVC評価は、異なるデータ構成のための別々のモデルを再訓練する。 欠落率だけではデータの不完全性を特徴づけるには不十分である。 我々はこの現象を不完全分散として定式化し、欠測データプロトコル間の構造的格差を捉える手段を提供する。
  論文  参考訳（メタデータ） (2026-06-03T13:24:09Z)
• Testing the Test: Score-Direction Instability in Class-Split Anomaly Detection [56.362776482614976]
  データセット内のクラス分割評価は、完全に非条件のアウト・オブ・ディストリビューション異常検出のプロキシとして広く利用されている。 このプロトコルは、保持された異常クラスが表現空間の通常の混合と重なり合う場合、悪用される可能性があることを示す。 そこで本研究では,Fashion-MNIST,CIFAR-10,Imagenette間のスコア方向不安定性を予測する。
  論文  参考訳（メタデータ） (2026-05-23T06:27:42Z)
• ANNEAL: Adapting LLM Agents via Governed Symbolic Patch Learning [12.44509691077682]
  本稿では,繰り返し発生する障害をプロセス知識グラフのシンボル編集に変換する神経シンボルエージェントであるANNEALを紹介する。 その中核となるメカニズムであるFDKA(Failure-Driven Knowledge Acquisition)は、責任のあるオペレータをローカライズし、制約付きLLM生成を通じて型付きパッチを合成し、提案を検証する。 4つのドメインと27のマルチシードランをまたいだANNEALは、永続的な構造修復を行う唯一の評価システムである。
  論文  参考訳（メタデータ） (2026-05-04T05:24:03Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)
• Predicting Fetal Outcomes from Cardiotocography Signals Using a Supervised Variational Autoencoder [1.8352113484137627]
  心電図(CTG)信号を妊娠結果に基づいて分類するための教師付き変分オートエンコーダ(VAE)モデルの開発と解釈を行った。
  論文  参考訳（メタデータ） (2025-09-08T10:54:04Z)
• Mind the Gap: Bridging Occlusion in Gait Recognition via Residual Gap Correction [57.75544235445363]
  RG-Gaitを提案する。これは、総体的保持を伴う閉塞歩行認識のための残差補正法である。 提案するネットワークは学習した残差を適応的に統合し,閉鎖歩行系列の性能を著しく向上させる。
  論文  参考訳（メタデータ） (2025-07-15T04:45:14Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)

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。