論文の概要: MOSAIC: Modality-agnostic Spectral Alignment for Federated Image-level Weakly Supervised Tumor Segmentation under Client-specific Missing Modalities

• arxiv url: http://arxiv.org/abs/2608.19788v1
• Date: Thu, 20 Aug 2026 08:33:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.496413
• Title: MOSAIC: Modality-agnostic Spectral Alignment for Federated Image-level Weakly Supervised Tumor Segmentation under Client-specific Missing Modalities
• Title（参考訳）: MOSAIC: クライアント特異的欠損モード下における画像レベルの弱視下腫瘍分節に対するModality-Agnostic Spectral Alignment
• Abstract要約: 臨床環境でのマルチモーダル・フュージョンは 不完全で不均一な モダリティのサブセットを扱う必要がある 本報告では, クライアント特異的な欠損モード下で, 弱い教師付きバイナリー腫瘍セグメンテーションを実現するための第1のモダリティ非依存フェデレーションフレームワークである textbfMOSAIC を提案する。
• 参考スコア（独自算出の注目度）: 0.8886706641070187
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Trustworthy multimodal fusion in clinical settings requires handling incomplete and heterogeneous modality subsets across institutions, where privacy constraints prohibit centralized data sharing. Federated learning (FL) mitigates data-sharing constraints but suffers from client-specific missing modalities, where institutions possess incomplete multimodal subsets, degrading fusion quality and segmentation performance. While FL and weak supervision have been studied separately, their joint use with image-level labels under heterogeneous missing modalities remains unaddressed. We propose \textbf{MOSAIC}, the first modality-agnostic federated framework for weakly supervised binary tumor segmentation under client-specific missing modalities. We introduce a client-specific modality-alignment module that fuses available channels into a shared latent space without prior knowledge of modality identity, a spectral prototype alignment loss that reconciles cross-client distribution shift using compact non-invertible frequency-domain statistics, and a dedicated federated refinement network that denoises the resulting CAM pseudo-labels into accurate masks, breaking the accuracy ceiling of weak supervision. Experiments on three multi-institutional brain tumor benchmarks (FeTS2022, BraTS-MEN, and BraTS-SSA) demonstrate significant improvements over all image, box, and point-supervised baselines, approaching fully supervised accuracy using only image-level labels and reaching 0.84 Dice on FeTS2022. Dynamic new client addition enables previously unseen institutions to join an already-trained federation within 0.01-0.04 Dice without retraining. Code is available at https://github.com/Tarun2201/MOSAIC.
• Abstract（参考訳）: 臨床環境での信頼性の高いマルチモーダル融合は、集中的なデータ共有を禁止している機関間の不完全かつ不均一なモダリティサブセットを扱う必要がある。 フェデレートラーニング(FL)はデータ共有の制約を緩和するが、不完全なマルチモーダルサブセットを持ち、融合品質とセグメンテーション性能を低下させるクライアント固有の欠落モードに悩まされる。 FLと弱い監督は別々に研究されているが、不均一なモダリティの下でのイメージレベルのラベルとの併用は未解決のままである。 本研究は,クライアント固有の欠損モード下で,弱い教師付きバイナリ腫瘍セグメンテーションのための最初のモダリティ非依存型フェデレーションフレームワークである‘textbf{MOSAIC} を提案する。 そこで本研究では,CAM擬似ラベルを精度の高いマスクに分解し,弱監督の精度を損なうことなく,可利用チャネルを共有潜在空間に融合するクライアント固有なモダリティアライメントモジュール,コンパクトな非可逆周波数領域統計を用いたクロスクライアント分布シフトを再現するスペクトルプロトタイプアライメント損失,CAM擬似ラベルを正確なマスクに分解する専用フェデレーションリファインメントネットワークを導入する。 複数施設の脳腫瘍ベンチマーク(FeTS2022、BraTS-MEN、BraTS-SSA)の実験では、すべての画像、ボックス、点教師付きベースラインが大幅に改善され、画像レベルラベルのみを使用して完全に監督された精度に近づき、FeTS2022では0.84Diceに達した。 動的に新しいクライアントの追加により、未確認の機関は、再トレーニングすることなく、0.01-0.04 Diceで既に訓練済みの連邦に参加することができる。 コードはhttps://github.com/Tarun2201/MOSAICで入手できる。

関連論文リスト

• Federated Foundation Models Fine-Tuning with Heterogeneous Compressed Clients [22.724544289853558]
  FedSLMは異種圧縮クライアントとのファインチューニングのためのパラメータ中心のフレームワークである。 我々は,アダプタレベルのアグリゲーションの理論的保証,グループ間融合における部分空間アライメント境界,および信頼損失が弱いスーパービジョンノイズを緩和する方法のキャラクタリゼーションを提供する。
  論文  参考訳（メタデータ） (2026-07-31T06:45:56Z)
• One Round Is All You Need: Analytic Federated Learning for Task-Heterogeneous Multi-Label Medical Image Classification [1.5870512175595712]
  本稿では,タスクの不均一性を考慮した医用画像分類のための分析フェデレーション学習フレームワークを提案する。 提案手法は、3つの閉形式演算を反復的勾配最適化に置き換える。 これは、最先端のフェデレーション方式であるFedMLPの18.44 BACC点と13.24 AUC点を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-07-22T18:11:37Z)
• OmniISR: A Unified Framework for Centralized and Federated Learning via Intermediate Supervision and Regularization [58.03221830946145]
  我々は、純粋なCL、純粋なFL、ハイブリッドCL-FLトレーニングモードを融合する統合フレームワークであるOmniISRを提案する。 我々は,OmniISRが集中型パラダイムとフェデレーション型パラダイムの両方において,モデル性能を一貫して改善していることを示す。
  論文  参考訳（メタデータ） (2026-05-19T04:13:27Z)
• Federated Imputation under Heterogeneous Feature Spaces [7.7979633437360905]
  フェデレートラーニング(FL)は、分散クライアント間の協調トレーニングを可能にする。 我々は,従来の欠落から構造的特徴不利用を分離する連邦計算フレームワークである textbfFedHF-Impute を提案する。 SECOMデータセットとAirQualityデータセットのシミュレートされた部分スキーマの下で、FedHF-ImputeはFLベースラインを26.9%上回る計算精度(RMSE)を8.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-15T15:53:45Z)
• Probabilistic Feature Imputation and Uncertainty-Aware Multimodal Federated Aggregation [0.2283362795949404]
  Probabilistic Feature Imputation Network は不確実性推定をインプット特徴とともに生成する。 CheXpert,NIH Open-I,PadChestを用いた人工胸部X線分類実験は決定論的基準線よりも一貫した改善を示した。
  論文  参考訳（メタデータ） (2026-04-14T17:03:14Z)
• Byzantine-Robust and Differentially Private Federated Optimization under Weaker Assumptions [89.52532304099522]
  フェデレートラーニング(FL)は、クライアントが生データを集中せずに共有モデルを共同でトレーニングすることを可能にし、固有のプライバシーレベルを提供する。 グラデーションとモデル更新は機密情報を漏洩する可能性があるが、悪意のあるサーバはビザンティン操作のような敵攻撃をマウントする可能性がある。 これらの脆弱性は、統合されたフレームワーク内の差分プライバシー(DP)とビザンチンの堅牢性に対処する必要性を強調している。 Byz-Clip21-SGD2Mを提案する。
  論文  参考訳（メタデータ） (2026-03-24T17:39:09Z)
• Federated Multi-Task Clustering [44.73672172790804]
  本稿では,Federated Multi-Task Clustering(FMTC)という新しいフレームワークを提案する。 クライアント側パーソナライズされたクラスタリングモジュールとサーバ側テンソル相関モジュールの2つの主要コンポーネントで構成されている。 乗算器の交互方向法に基づく,効率的なプライバシ保護分散アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2025-12-28T12:02:32Z)
• Modality-Specific Enhancement and Complementary Fusion for Semi-Supervised Multi-Modal Brain Tumor Segmentation [6.302779966909783]
  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マルチモーダルフレームワークを提案する。 モダリティ固有のエンハンシングモジュール(MEM)を導入し、各モダリティに意味的なユニークな手がかりを強化する。 また,学習可能な相補的情報融合(CIF)モジュールを導入し,モダリティ間の相補的知識を適応的に交換する。
  論文  参考訳（メタデータ） (2025-12-10T16:15:17Z)
• Hierarchical Self-Supervised Representation Learning for Depression Detection from Speech [51.14752758616364]
  音声による抑うつ検出 (SDD) は、従来の臨床評価に代わる有望で非侵襲的な代替手段である。 HAREN-CTCは,マルチタスク学習フレームワーク内でのクロスアテンションを用いて,多層SSL機能を統合した新しいアーキテクチャである。 このモデルはDAIC-WOZで0.81、MODMAで0.82の最先端マクロF1スコアを達成し、両方の評価シナリオで先行手法より優れている。
  論文  参考訳（メタデータ） (2025-10-05T09:32:12Z)
• Federated Learning Meets LLMs: Feature Extraction From Heterogeneous Clients [0.0]
  フェデレートラーニング(FL)は、生データを共有せずに協調的なモデルトレーニングを可能にする。 我々は,事前学習された大規模言語モデル(LLM)を普遍的特徴抽出器として利用するフレームワークであるFedLLM-Alignを提案する。 冠動脈疾患予測におけるFedLLM-Alignの評価は,シミュレートされたスキーマ分岐を用いた分割データセットを用いて行われる。
  論文  参考訳（メタデータ） (2025-09-29T14:06:52Z)
• UniMRSeg: Unified Modality-Relax Segmentation via Hierarchical Self-Supervised Compensation [104.59740403500132]
  マルチモーダルイメージセグメンテーションは、不完全/破損したモダリティの劣化による実際のデプロイメント課題に直面している。 階層型自己教師型補償(HSSC)による統一Modality-relaxセグメンテーションネットワーク(UniMRSeg)を提案する。 我々のアプローチは、入力レベル、特徴レベル、出力レベルをまたいだ完全なモダリティと不完全なモダリティの間の表現ギャップを階層的に橋渡しします。
  論文  参考訳（メタデータ） (2025-09-19T17:29:25Z)
• Federated Contrastive Learning for Personalized Semantic Communication [55.46383524190467]
  我々は,パーソナライズされたセマンティックコミュニケーションを支援することを目的とした,協調型コントラスト学習フレームワークを設計する。 FedCLは、複数のクライアントにわたるローカルセマンティックエンコーダと、基地局が所有するグローバルセマンティックデコーダの協調トレーニングを可能にする。 分散クライアント間の異種データセットから生じるセマンティック不均衡問題に対処するために,コントラスト学習を用いてセマンティックセントロイドジェネレータを訓練する。
  論文  参考訳（メタデータ） (2024-06-13T14:45:35Z)
• Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID [56.573905143954015]
  本稿では, クラスタ間マッチングによるモダリティギャップを低減するための, クラスタマッチングに基づく新たな学習フレームワークを提案する。 このような監視信号の下では、クラスタレベルで特徴を協調的に整列させるために、モダリティ・特定・モダリティ・非依存(MSMA)コントラスト学習フレームワークが提案されている。 公開SYSU-MM01とRegDBデータセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-22T03:27:46Z)

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。