論文の概要: Adaptive Bayesian Partner Selection for Federated Clinical Centers

• arxiv url: http://arxiv.org/abs/2609.16446v1
• Date: Tue, 15 Sep 2026 00:07:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.271681
• Title: Adaptive Bayesian Partner Selection for Federated Clinical Centers
• Title（参考訳）: 連携型臨床センターにおける適応型ベイズパートナーの選択
• Abstract要約: 我々は,誰が協力し,いつ,どの費用を負担するかを決定するピアツーピアフレームワークを提案する。 適応的・ユーティリティ・アウェア・コラボレーションは,センターが多数かつ少ない場合に,精度を犠牲にすることなくコミュニケーションを減らすことが示される。
• 参考スコア（独自算出の注目度）: 8.038001159690205
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning (FL) in healthcare faces pronounced heterogeneity and temporal concept drift across clinical centers, where evolving patient populations and care practices shift data distributions. Existing approaches rely on persistent global communication, incurring substantial bandwidth overhead while risking negative transfer from poorly aligned peers. We propose Adaptive Bayesian Partner Selection (ABPS), a peer-to-peer framework that governs who collaborates, when, and at what cost. Each center maintains a Beta-Bernoulli posterior over prospective peers' Shapley marginal utility, ranks candidates with an Upper Confidence Bound (UCB) criterion, and forms collaborations through a lightweight propose-reject mechanism, with the option to abstain from communication when no mutually beneficial partner exists. The framework admits a stochastic decision interpretation, yielding finite-sample concentration guarantees and O(kappa log T) regret in partner selection, along with conditions under which intentional isolation is optimal under negative transfer. Lightweight extensions (head personalization, bfloat16 quantized communication, and a tunable active-set size) further improve efficiency, and a goal-aware metadata filter enables institution-specific collaboration strategies. On binary in-hospital mortality prediction over the first 24 hours of an ICU stay, with 230 non-IID clinical centers drawn from MIMIC-IV, the full ABPS-X variant matches the strongest federated baseline (FedDyn, AUROC 0.758) at 0.09x the communication cost of FedAvg, with reduced variability. A diversity-driven configuration activates intentional isolation for a substantial fraction of centers. These results show that adaptive, utility-aware collaboration reduces communication without sacrificing accuracy when centers are numerous and small, offering a scalable paradigm for healthcare FL.
• Abstract（参考訳）: 医療におけるフェデレーテッド・ラーニング(FL)は異質性や時間的概念が臨床センターに散在し、患者の人口とケアの実践がデータ分布を変える。 既存のアプローチは、持続的なグローバル通信に依存し、かなりの帯域幅のオーバーヘッドを発生させ、不整合のピアからの負の転送を危険にさらす。 ピアツーピアフレームワークであるAdaptive Bayesian Partner Selection (ABPS)を提案する。 各センターは、有望なピアのシャプリー限界ユーティリティよりも後方のベータ・ベルヌーリを維持し、アッパー・信頼境界(UCB)基準の候補者をランク付けし、互いに有益なパートナーが存在しない場合にコミュニケーションを控えるオプションとして、軽量なプロポーズ・リジェクション機構を通じてコラボレーションを形成する。 このフレームワークは確率論的決定の解釈を認め、有限サンプル濃度保証とO(Kappa log T)がパートナー選択で後悔する。 軽量拡張(ヘッドパーソナライゼーション、bfloat16量子化通信、可変アクティブセットサイズ)はさらに効率を向上し、ゴール対応メタデータフィルタは機関固有の協調戦略を可能にする。 MIMIC-IVから抽出された230の非IIDクリニカルセンターを持つICU滞在後24時間における2回の院内死亡予測では、ABPS-Xの完全変種はFedDyn, AUROC 0.758)とFedAvgの通信コストの0.09倍に一致し、可変性が低下した。 多様性駆動型構成は、かなりの数の中心に対して意図的な隔離を活性化する。 これらの結果から,適応的かつ実用性に配慮したコラボレーションは,医療FLのスケーラブルなパラダイムを提供するために,センターが多数かつ小規模である場合に,精度を犠牲にすることなくコミュニケーションを減らすことが示唆された。

関連論文リスト

• Federated LoRA Adaptation of BiomedCLIP Across Four International Chest X-Ray Cohorts [3.8298947210288374]
  フェデレートされた学習は、データを交換することなく、組織が共有モデルを訓練することを可能にする。 Low-Rank Adaptation (LoRA)は、コンパクトな低ランク更新のみを通信することで、これを大規模に実現している。
  論文  参考訳（メタデータ） (2026-09-02T04:40:05Z)
• Evaluator-Dependent Patient-Adaptive ECG Lead-Channel Allocation [3.337151338735509]
  ECGリードチャネル選択のための患者条件付き取得ポリシーは、人口全体の固定プロトコルより優れている。 制御された任意マスクロジスティック評価器を用いて訓練した2つのポリシーを凍結することにより, PTB-XLに対する評価器依存性を実証的に検討した。 3つのポストホック感度分析 -- 共通基準スコア、ポリシー生成マスクとランダムマスクの混合による強評価器のトレーニング、そして、評価器が整列した強MGAポリシートレーニング -- は、それぞれ正の相互作用間隔を維持している。
  論文  参考訳（メタデータ） (2026-08-27T09:04:31Z)
• Test-time Adaptation of Pelvic Bone Segmentation Models via Dynamic Reliability-Guided [62.10276009853225]
  ロボットによる骨盤外傷手術には,CTによる骨切片の信頼性が不可欠である。 既存の方法はPBSに対して限られた有効性を示した。 PBSのための新しいクローズドループ動的信頼性ガイドフレームワーク(ReGA)を提案する。
  論文  参考訳（メタデータ） (2026-08-01T08:13:20Z)
• 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)
• FedCC: A Low-Resource Federated Adaptation of Foundation Models for Robust Corpus Callosum localization in Fetal Ultrasound Images [34.592227505836156]
  胎児US画像におけるコーパス・カロサム(CC)の局在化のためのフレームワークであるFedCCを提案する。 このフレームワークは凍結したDINOv2バックボーンと軽量なYOLOベースの検出ヘッドを統合している。 計算と通信のオーバーヘッドを大幅に減らし、低リソース環境に適したフレームワークとなる。
  論文  参考訳（メタデータ） (2026-06-30T09:02:13Z)
• CADRE: Stable, Parameter Efficient Adaptation of Medical Vision Language Models with Bounded Forgetting and Prior Drift [0.10742675209112622]
  新しい画像モダリティのためのデプロイモデルの更新は、患者を傷つける2つの方法で静かに失敗する可能性がある。 本研究は,これらの2つの特性によるパラメータ効率の連続的適応について,リーダーボードの精度を忘れることなく検討する。 CADRE は低ランク適応 (LoRA) とオンラインの自己スケーリング,類似性を考慮した弾性重み付けという用語を組み合わせたフリーズバックボーンフレームワークである。
  論文  参考訳（メタデータ） (2026-06-22T15:34:32Z)
• Shift-Dependent Asymmetry: Orthogonal Inverse Low-Rank Adaptation for Federated Medical Segmentation [60.41721951405564]
  Low-Rank Adaptation (LoRA)は、医療画像のためのセグメンテーション基盤モデルの効率的なフェデレーション微調整を可能にする。 ほとんどの連合LoRA法は、医学的セグメンテーションにおいてエンコーダ-デコーダ非対称性の下で破れる一様アグリゲーション規則を採用している。 このミスマッチの絡み合いは、サイト固有のバイアスと解剖を共有し、一般化を損なう。 本稿では,効率的な更新空間における共有局所コリニアリティを罰する部分空間直交正規化器を提案する。
  論文  参考訳（メタデータ） (2026-06-07T15:39:28Z)
• Decision-Focused Federated Learning Under Heterogeneous Objectives and Constraints [45.88028371034407]
  我々は、よく知られたSPO+アプローチに基づいて、SPO+のサロゲート損失に対する不均一性境界を開発する。 強く凸可能な領域の場合、安定性によりよりシャープな境界が導出される。 我々は多面体および強凸問題に対するFedAvg型DFFL実験セットを実装した。
  論文  参考訳（メタデータ） (2026-04-21T22:22:39Z)
• DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
  本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。 DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
  論文  参考訳（メタデータ） (2026-03-16T02:02:38Z)
• LATA: Laplacian-Assisted Transductive Adaptation for Conformal Uncertainty in Medical VLMs [61.06744611795341]
  医用視覚言語モデル(VLM)は医用画像の強力なゼロショット認識器である。 本研究では,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ(texttttextbfLATA,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ)を提案する。 texttttextbfLATAは交換性を損なうことなくゼロショット予測をシャープにする。
  論文  参考訳（メタデータ） (2026-02-19T16:45:38Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• Federated Offline Reinforcement Learning [55.326673977320574]
  マルチサイトマルコフ決定プロセスモデルを提案する。 我々は,オフラインRLを対象とした最初のフェデレーション最適化アルゴリズムを設計する。 提案アルゴリズムでは,学習ポリシーの準最適性は,データが分散していないような速度に匹敵する,理論的保証を与える。
  論文  参考訳（メタデータ） (2022-06-11T18:03:26Z)

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。