論文の概要: A Federated Learning Framework for Privacy-Preserving Oral Cancer Screening on Smartphones

• arxiv url: http://arxiv.org/abs/2608.19462v1
• Date: Wed, 19 Aug 2026 21:33:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.409673
• Title: A Federated Learning Framework for Privacy-Preserving Oral Cancer Screening on Smartphones
• Title（参考訳）: スマートフォンにおけるプライバシ保護口腔がん検診のためのフェデレーション学習フレームワーク
• Abstract要約: フェデレートラーニング(FL)は、患者データを集中化したり共有したりすることなく、分散データセット間で協調的なモデル開発を可能にする。 この研究は、AIヘルスケア研究者間の地理的に分散したコラボレーションをサポートし、口腔がんスクリーニングのための堅牢なモデルの開発を促進する実践的なFLフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Data are the cornerstone of robust AI models. However, in the medical domain, access to reliable data is constrained by regulatory requirements and patient privacy, and clinical oral images are particularly difficult to obtain. Federated learning (FL) mitigates these constraints by enabling collaborative model development across decentralized datasets without centralizing or sharing patient data. This work presents a practical FL framework that supports geographically distributed collaboration among AI healthcare researchers and facilitates the development of robust models for oral cancer screening. Client devices were interconnected via Tailscale to provide secure networking and real-time communication. We implemented the FL workflow using the Flower framework for server-side aggregation, while client deployment and orchestration were configured manually; no enterprise FL platforms were used. To support a smartphone-based screening application, we evaluated lightweight, mobile-friendly architectures including MobileNetV2, MobileNetV3Large, and MobileNetV4-Conv-Small (MNv4-Conv-S). Across the global lightweight models aggregated using FedAvg, the MNv4-Conv-S based global model (GM-V4) achieved the best performance, reaching an AUC of 0.929 and an accuracy of 87%
• Abstract（参考訳）: データは堅牢なAIモデルの基盤です。 しかし、医療分野では、信頼できるデータへのアクセスは規制要件や患者のプライバシーに制約されており、臨床口頭画像の取得は特に困難である。 フェデレーションラーニング(FL)は、患者データを集中化したり共有したりすることなく、分散化されたデータセット間で協調的なモデル開発を可能にすることで、これらの制約を緩和する。 この研究は、AIヘルスケア研究者間の地理的に分散したコラボレーションをサポートし、口腔がんスクリーニングのための堅牢なモデルの開発を促進する実践的なFLフレームワークを提案する。 クライアントデバイスは、セキュアなネットワークとリアルタイム通信を提供するためにTailscaleを介して相互接続された。 サーバサイドアグリゲーションにFlowerフレームワークを使用してFLワークフローを実装しましたが、クライアントのデプロイメントとオーケストレーションは手動で設定されました。 スマートフォンベースのスクリーニングアプリケーションをサポートするために,MobileNetV2,MobileNetV3Large,MobileNetV4-Conv-Small(MNv4-Conv-S)などの軽量でモバイルフレンドリーなアーキテクチャを評価した。 FedAvgを用いて集計されたグローバル軽量モデル全体で、MNv4-Conv-Sベースグローバルモデル(GM-V4)は最高の性能を達成し、AUCは0.929、精度は87%に達した。

関連論文リスト

• Optimized Federated Knowledge Distillation with Distributed Neural Architecture Search [7.461859467262201]
  フェデレートラーニング(FL)は、データを集中せずに協調的なモデルトレーニングを可能にする。 既存のFLアプローチは、集約、パーソナライゼーション、知識蒸留の改善を通じてこれらの課題を軽減する。 この研究は、クライアント側ニューラルアーキテクチャ選択とサーバ協調知識の蒸留を組み合わせた蒸留駆動FLフレームワークであるFedKDNASを紹介する。
  論文  参考訳（メタデータ） (2026-05-20T15:50:49Z)
• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• FedAgentBench: Towards Automating Real-world Federated Medical Image Analysis with Server-Client LLM Agents [11.959201492182963]
  Federated Learning(FL)は、機密性の高い患者データを共有せずに、医療現場間で協調的なモデルトレーニングを可能にする。 現実のFLの展開は、しばしば人的努力を必要とする複雑な運用上の課題によって妨げられる。 本稿では,クライアント選択からトレーニング完了まで,実世界のFLの重要なフェーズをキャプチャするエージェント駆動FLフレームワークと,FedAgentBenchと呼ばれるベンチマークを紹介する。 我々のフレームワークは40のFLアルゴリズムを組み込んでおり、それぞれが多様なタスク固有の要件とクロスクライアント特性に対処するように調整されている。
  論文  参考訳（メタデータ） (2025-09-28T11:06:07Z)
• 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)
• FedConv: A Learning-on-Model Paradigm for Heterogeneous Federated Clients [25.847042398060616]
  フェデレートラーニング(FL)は、クライアントのプライベートデータを公開せずに、共有グローバルモデルの協調トレーニングを容易にする。 我々は、リソース制約のあるクライアントの計算とメモリ負荷を最小限に抑えるクライアントフレンドリーなFLフレームワークであるFedConvを提案する。 モデル精度,計算量,通信オーバヘッドの観点から,FedConvは最先端のFLシステムより優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-28T01:39:53Z)
• Federated Learning for 6G: Paradigms, Taxonomy, Recent Advances and Insights [52.024964564408]
  本稿では,プロトコルスタックのすべてのレベルにわたってフェデレートラーニングを実装することの付加価値について検討する。 それは重要なFLアプリケーションを示し、ホットトピックに対処し、将来の研究と開発のための貴重な洞察と明示的なガイダンスを提供します。 我々の結論は、FLと将来の6Gの相乗効果を活用しつつ、FLがワイヤレス産業に革命をもたらす可能性を浮き彫りにすることを目的としています。
  論文  参考訳（メタデータ） (2023-12-07T20:39:57Z)
• Towards Instance-adaptive Inference for Federated Learning [80.38701896056828]
  Federated Learning(FL)は、複数のクライアントがローカルトレーニングを集約することで、強力なグローバルモデルを学ぶことができる分散学習パラダイムである。 本稿では,FedInsという新しいFLアルゴリズムを提案する。 我々のFedInsは、Tiny-ImageNet上での通信コストが15%未満で、トップパフォーマンスの手法に対して6.64%の改善など、最先端のFLアルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-11T09:58:47Z)
• Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
  フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。 FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。 SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。 本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-20T10:49:22Z)
• FLamby: Datasets and Benchmarks for Cross-Silo Federated Learning in Realistic Healthcare Settings [51.09574369310246]
  Federated Learning(FL)は、センシティブなデータを保持している複数のクライアントが協力して機械学習モデルをトレーニングできる新しいアプローチである。 本稿では,医療分野に重点を置くクロスサイロ・データセット・スイートFLambyを提案し,クロスサイロ・FLの理論と実践のギャップを埋める。 私たちのフレキシブルでモジュラーなスイートによって、研究者は簡単にデータセットをダウンロードし、結果を再現し、研究のためにさまざまなコンポーネントを再利用することができます。
  論文  参考訳（メタデータ） (2022-10-10T12:17:30Z)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• Personalized Retrogress-Resilient Framework for Real-World Medical Federated Learning [8.240098954377794]
  本稿では,各クライアントに対して優れたパーソナライズモデルを生成するために,パーソナライズされた回帰耐性フレームワークを提案する。 実世界の皮膚内視鏡的FLデータセットに関する実験により、我々のパーソナライズされた回帰抵抗性フレームワークが最先端のFL手法より優れていることが証明された。
  論文  参考訳（メタデータ） (2021-10-01T13:24:29Z)
• FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
  新型コロナウイルスの感染拡大で医療資源が不足している。 新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。 患者のプライバシー上の懸念から、データそのものはまだ乏しい。 我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
  論文  参考訳（メタデータ） (2021-02-10T01:56:58Z)

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。