論文の概要: FedDRAW: Federated Dual Reputation Annealing Weighting for Heterogeneous Multi-Institutional Chest Radiograph Classification

• arxiv url: http://arxiv.org/abs/2609.05223v1
• Date: Fri, 04 Sep 2026 14:53:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.076854
• Title: FedDRAW: Federated Dual Reputation Annealing Weighting for Heterogeneous Multi-Institutional Chest Radiograph Classification
• Title（参考訳）: FedDRAW:Federated Dual Reputation Annealing Weighting for Heterogeneous Multi-Institutional Chest Radiograph Classification
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.0384586035475536
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Artificial intelligence models are promising for medical diagnosis, but they require large numbers of unbiased data, which in medicine are distributed across hospitals and cannot be centralized to protect patient privacy. Federated Learning (FL) addresses this, since hospitals train one shared diagnostic model while patient data remain local. Training proceeds in communication rounds, in which each hospital trains the shared model locally and returns it to the server for merging by weighted average. This aggregation weight determines whose institutional knowledge shapes the result. Federated averaging (FedAvg) sets it in proportion to local sample count, so a small but informative hospital is permanently assigned a small influence, andl argest clients could dominate the global model even when they are less informative. We propose Federated Dual Reputation Annealing Weighting (FedDRAW), a server-side aggregation method that combines a data-size prior with the cosine similarity between client and global parameters under two coupled annealing schedules. An inner schedule shifts client reputation from the size prior towards similarity. An outer, deferred annealing schedule on the softmax inverse temperature keeps the weighting selective in the early and middle rounds and relaxes it to uniformity at convergence. We evaluate FedDRAW on 12 simulated client-partition scenarios of two chest radiograph datasets (CheXpert and ChestMNIST), against seven federated baselines under identical local training settings. FedDRAW achieved the highest average rank among all eight methods under both AUC and the geometric mean (GM) of sensitivity and specificity, which a Friedman test with Nemenyi post-hoc analysis confirmed to be a statistically significant difference between the methods. Scheduling two signals, rather than fixing the weights by sample count alone, could enable less biased diagnostic models.
• Abstract（参考訳）: 人工知能モデルは医療診断には有望だが、多くの偏りのないデータが必要であり、医療は病院に分散しており、患者のプライバシーを守るために集中できない。 病院は患者のデータをローカルに残しながら、共有診断モデルをトレーニングするため、フェデレートラーニング(FL)はこの問題に対処する。 訓練はコミュニケーションラウンドで行われ、各病院は共有モデルをローカルに訓練し、重み付き平均でマージするためにサーバに返却する。 この集約重みは、どの機関的知識が結果を形作るかを決定する。 フェデレート平均化(FedAvg)は、局所的なサンプル数に比例して設定するので、小さなが情報に富む病院が永久に小さな影響力を割り当てられ、情報の少ないクライアントがグローバルモデルを支配する可能性がある。 本稿では,クライアントとグローバルパラメータ間のコサイン類似性とデータサイズを結合したサーバサイドアグリゲーション手法であるFederated Dual Reputation Annealing Weighting (FedDRAW)を提案する。 内部スケジュールは、クライアントの評判を、類似性よりも前のサイズにシフトさせる。 ソフトマックス逆温度の外部で遅延したアニーリングスケジュールは、初期および中期ラウンドで重み付けを選択的に保ち、収束時に均一に緩和する。 我々は,CheXpertとChestMNISTの2つの胸部X線写真データセットの12種類のクライアント分割シナリオに対して,同一の局所訓練条件下での7つのフェデレーションベースラインに対して,FedDRAWの評価を行った。 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、ネメニイのポストホック分析によるフリードマン試験では、この方法が統計的に有意な差があることが確認された。 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。

関連論文リスト

• FedPref: Federated Preference Learning for Structured Radiology Report Extraction [69.11739400975445]
  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。
  論文  参考訳（メタデータ） (2026-08-17T12:29:42Z)
• FedSPM: Routing-Enabled Federated Learning under Dual Heterogeneity via Semiparametric Mixture [14.751907622686423]
  本稿では、クライアント固有の潜在コンポーネントを使用して各クライアントを表すルーティング可能な半パラメトリック混合フレームワークであるFedSPMを提案する。 制御されたベンチマークと実世界の医療データによる実験では、二重不均一性の下でのルーティングと予測が一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-07-05T02:31:39Z)
• Comparing Federated Stochastic Gradient Descent and Federated Averaging for Predicting Hospital Length of Stay [0.0]
  入院期間(LOS)を確実に予測することは,病院における資源配分の効率化に不可欠である。 従来の予測モデリングツールは、医療機関がプライバシー規則を定めているため、十分なデータと多様なデータを取得するのが難しいことが多い。 このモデリング手法は、病院外の機密データを抽出することなく、異なる病院からの分散データソースをモデル化することで協調的なモデルトレーニングを促進する。
  論文  参考訳（メタデータ） (2024-07-17T17:00:20Z)
• Towards Communication-efficient Federated Learning via Sparse and Aligned Adaptive Optimization [90.08459757321405]
  Federated Adam (FedAdam) アルゴリズムはアップリンク通信オーバーヘッドの3倍の増大に悩まされている。 我々はFedAdam-SSMと呼ばれる新しいスパースなFedAdamアルゴリズムを提案する。 我々は,FedAdam-SSMが訓練したモデルと集中型Adamの差異を最小化することにより,スペーシフィケーションエラーによる学習性能劣化を軽減するためにSSMを最適化する。
  論文  参考訳（メタデータ） (2024-05-28T07:56:49Z)
• Federated Semi-supervised Learning for Medical Image Segmentation with intra-client and inter-client Consistency [10.16245019262119]
  フェデレートラーニングは、ローカルデータ交換なしで、分離されたクライアントの共有モデルをトレーニングすることを目的としている。 本研究では,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学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-19T12:52:38Z)
• Cluster Based Secure Multi-Party Computation in Federated Learning for Histopathology Images [0.0]
  フェデレートラーニング(Federated Learning, FL)は、病院が個人患者データを訓練のために共有することなく、協力的にモデルを学習できる分散型の方法である。 FLでは、患者病院は、中央サーバーでサンプルをトレーニングするよりも、定期的にトレーニング結果を交換する。 提案手法では,各病院をクラスタに分割し,各病院のモデル重量を同一クラスタに分割し,各病院が受信した重量を合計し,その結果を中央サーバに送信する。 最後に、中央サーバが結果を集約し、個々の病院の重量にアクセスすることなく、モデルの重量平均を検索し、モデルを更新する。
  論文  参考訳（メタデータ） (2022-08-21T23:56:28Z)
• Density-Aware Personalized Training for Risk Prediction in Imbalanced Medical Data [89.79617468457393]
  不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。 この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。 実世界の医療データセットにおけるモデルの性能向上を実証する。
  論文  参考訳（メタデータ） (2022-07-23T00:39:53Z)
• FedIIC: Towards Robust Federated Learning for Class-Imbalanced Medical Image Classification [29.69137726688905]
  本稿では,FedIICというプライバシ保護型フェデレーション学習(FL)手法を提案する。 特徴学習では、2段階のコントラスト学習が、FLで不均衡なデータを用いてより優れたクラス特化特徴を抽出するように設計されている。 分類器学習では、クラスごとのマージンはリアルタイムの難易度とクラス優先度に応じて動的に設定され、モデルがクラスを等しく学習するのに役立つ。
  論文  参考訳（メタデータ） (2022-06-28T07:37:38Z)
• Dynamic Bank Learning for Semi-supervised Federated Image Diagnosis with Class Imbalance [65.61909544178603]
  クラス不均衡半教師付きFL(imFed-Semi)の実用的かつ困難な問題について検討する。 このImFed-Semi問題は、クラス比例情報を利用してクライアントトレーニングを改善する新しい動的銀行学習方式によって解決される。 25,000個のCTスライスによる頭蓋内出血診断と10,015個の皮膚内視鏡画像による皮膚病変診断の2つの公開実世界の医療データセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2022-06-27T06:51:48Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality Brain Image Synthesis [55.939957482776194]
  我々は、教師なし脳画像合成におけるフェデレートドメイン翻訳のための新しいベンチマーク(FedMed-GAN)を提案する。 FedMed-GANは発電機の性能を犠牲にすることなくモード崩壊を緩和する。 FedMed-GANと他の集中型手法を比較するための総合的な評価を提供する。
  論文  参考訳（メタデータ） (2022-01-22T02:50:29Z)
• Auto-FedAvg: Learnable Federated Averaging for Multi-Institutional Medical Image Segmentation [7.009650174262515]
  フェデレーションラーニング(FL)は、各参加者のプライバシーを維持しながら共同モデルのトレーニングを可能にします。 FedAvgは、FLプロセス中にサーバ上で分散学習されたモデルを集約するために、各クライアントのデータセットサイズに由来する固定重みを使用する標準的なアルゴリズムである。 本研究では,凝集重みを動的に調整した新しいデータ駆動型アプローチ,auto-fedavgを設計した。
  論文  参考訳（メタデータ） (2021-04-20T18:29:44Z)

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。