論文の概要: Geographically Regularized AUC-Maximizing Personalized Federated Learning

• arxiv url: http://arxiv.org/abs/2609.08379v1
• Date: Tue, 08 Sep 2026 07:51:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.610747
• Title: Geographically Regularized AUC-Maximizing Personalized Federated Learning
• Title（参考訳）: 地理的に正規化されたAUCを最大化する個人化フェデレーション学習
• Abstract要約: プライバシとガバナンスの要件は、医療機関間での患者レベルのデータ共有を制限する可能性がある。 我々は、パーソナライズされたモデルを学ぶために、スムーズなペアワイズAUCサロゲートを直接最適化するGrAUC-PFLを提案する。 グラフベースの正規化は、地理的に隣接する機関がパーソナライズされたモデルを維持しながら、同様の係数を持つことを奨励する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate diagnostic and risk-prediction models are important for supporting clinical decision-making during infectious disease outbreaks. However, privacy and governance requirements may restrict patient-level data sharing across healthcare institutions, and data distributions often vary. Moreover, AUC is widely used to evaluate discriminative performance, motivating its direct optimization in model development. We propose geographically regularized AUC-maximizing personalized federated learning (GrAUC-PFL), which directly optimizes a smooth pairwise AUC surrogate to learn personalized models while keeping patient-level data local and accounting for institutional heterogeneity. Graph-based regularization encourages geographically neighboring institutions to have similar coefficient vectors while retaining a personalized models. Simulations and a real-data application suggest improved discriminative performance, particularly when geographically neighboring institutions have similar data-generating characteristics.
• Abstract（参考訳）: 正確な診断とリスク予測モデルは、感染症発生時の臨床的意思決定を支援するために重要である。 しかし、プライバシとガバナンスの要件は、医療機関間での患者レベルのデータ共有を制限する可能性がある。 さらに、AUCは識別性能の評価に広く用いられ、モデル開発における直接最適化の動機となっている。 本稿では,患者レベルのデータをローカルに保持し,制度的不均一性を考慮しつつ,パーソナライズされたモデルを学習するために,スムーズなペアワイズAUCサロゲートを直接最適化する,地理的に規則化されたAUC最大化された個人化フェデレーションラーニング(GrAUC-PFL)を提案する。 グラフベースの正規化は、地理的に隣接する機関に、パーソナライズされたモデルを維持しながら、同様の係数ベクトルを持つことを促す。 シミュレーションと実データ応用は、特に地理的に隣接する施設が類似したデータ生成特性を持つ場合、識別性能の向上を示唆している。

関連論文リスト

• A federated learning framework with knowledge graph and temporal transformer for early sepsis prediction in multi-center ICUs [2.601005560500953]
  集中治療室(ICU)患者の敗血症早期予測は生存率の向上に不可欠である。 本稿では,統合学習(FL)を医療知識グラフと時間変換モデルに統合する新しいフレームワークを提案する。 本手法により,患者データを共有することなく,複数病院間の協調モデルトレーニングが可能となり,プライバシの保護が可能となった。
  論文  参考訳（メタデータ） (2026-03-06T06:57:54Z)
• A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
  大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。 ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。 本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:48:21Z)
• Integrating Genomics into Multimodal EHR Foundation Models [56.31910745104141]
  本稿では,ポリジェニックリスクスコア(PRS)を基本データモダリティとして統合した,革新的なEHR基盤モデルを提案する。 このフレームワークは、臨床データと遺伝子前置詞の複雑な関係を学習することを目的としている。 このアプローチは、病気の予測、積極的な健康管理、リスク階層化、パーソナライズされた治療戦略に対する新たな洞察を解放するために重要である。
  論文  参考訳（メタデータ） (2025-10-24T15:56:40Z)
• An Enhanced Privacy-preserving Federated Few-shot Learning Framework for Respiratory Disease Diagnosis [4.901986217155185]
  本研究は,限られたラベル付きデータの問題に対処し,呼吸器疾患の診断におけるプライバシ保護を行うための,プライバシ保護機構を備えた,フェデレーション付き数ショット学習フレームワークを提案する。 重み付き平均アルゴリズムを用いて、異なるクライアントからの局所診断モデルを集約し、様々なシナリオにおけるモデルの適応性を高める。
  論文  参考訳（メタデータ） (2025-07-10T07:47:58Z)
• Addressing Data Heterogeneity in Federated Learning of Cox Proportional Hazards Models [8.798959872821962]
  本稿では,フェデレーションサバイバル分析の分野,特にCox Proportional Hazards(CoxPH)モデルについて概説する。 本稿では,合成データセットと実世界のアプリケーション間のモデル精度を向上させるために,特徴ベースのクラスタリングを用いたFLアプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-20T18:34:20Z)
• 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)
• Enhancing Performance for Highly Imbalanced Medical Data via Data Regularization in a Federated Learning Setting [6.22153888560487]
  本手法の目的は,心血管疾患予測のためのモデル性能を向上させることである。 本手法は, 心臓血管疾患予測のための4つのデータセットにまたがって評価され, 異なるクライアントに分散している。
  論文  参考訳（メタデータ） (2024-05-30T19:15:38Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Personalization Improves Privacy-Accuracy Tradeoffs in Federated Optimization [57.98426940386627]
  局所的な学習とプライベートな集中学習の協調は、総合的に有用であり、精度とプライバシのトレードオフを改善していることを示す。 合成および実世界のデータセットに関する実験により理論的結果について述べる。
  論文  参考訳（メタデータ） (2022-02-10T20:44:44Z)
• Differentially private federated deep learning for multi-site medical image segmentation [56.30543374146002]
  フェデレートラーニング(FL)のような協調機械学習技術は、データ転送なしで効果的に大規模なデータセット上でモデルのトレーニングを可能にする。 近年のイニシアチブでは、FLで訓練されたセグメンテーションモデルが、局所的に訓練されたモデルと同様のパフォーマンスを達成できることが示されている。 しかし、FLは完全なプライバシ保護技術ではなく、プライバシ中心の攻撃は秘密の患者データを開示することができる。
  論文  参考訳（メタデータ） (2021-07-06T12:57:32Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)

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。