Fugu-MT 論文翻訳(概要): Decentralized Gossip Learning and Federated Averaging for Histopathology Image Classification

論文の概要: Decentralized Gossip Learning and Federated Averaging for Histopathology Image Classification

arxiv url: http://arxiv.org/abs/2609.16448v1
Date: Tue, 15 Sep 2026 00:09:18 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 14:56:08.272553
Title: Decentralized Gossip Learning and Federated Averaging for Histopathology Image Classification
Title（参考訳）: 病理画像分類のための分散型ゴシップ学習とフェデレーション
Abstract要約: 本研究は, 完全分散型ゴシップ学習であるサーバベースフェデレート平均化(FedAvg)と, 浸潤性胆管癌に対するHybrid Gossip-FedAvgの比較を行った。実験では、277,524のカラーイメージパッチと、患者分離トレーニング、検証、テストパーティション、ワークロードバランスの取れた6つのノード間のDirichlet誘導アロケーションを使用していた。
参考スコア（独自算出の注目度）: 6.766475414507422
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Breast histopathology analysis increasingly relies on distributed learning because direct data pooling across institutions is often restricted by privacy, governance, and communication constraints. This study compares server-based Federated Averaging (FedAvg), fully decentralized gossip learning, and Hybrid Gossip-FedAvg for invasive ductal carcinoma (IDC) patch classification. Experiments used 277,524 color image patches with patient-disjoint training, validation, and test partitions and a workload-balanced, Dirichlet-guided allocation across six nodes. Ring, random degree-3, and fully connected gossip topologies were evaluated together with sensitivity analyses for statistical heterogeneity, mixing coefficient, learning rate, model drift, prediction disagreement, calibration, clinically motivated operating points, communication payload, and patient-level IDC burden, together with auxiliary backbone robustness analyses. In the principal alpha=0.3 experiment, Hybrid Gossip-FedAvg achieved a test area under the receiver operating characteristic curve (ROC-AUC) of 0.8811, closely followed by FedAvg at 0.8801 and fully connected gossip at 0.8751. Across three independent patient-level repetitions, FedAvg and Hybrid Gossip-FedAvg obtained the same mean ROC-AUC of 0.9082, with standard deviations of 0.0037 and 0.0043, respectively. Hybrid achieved the highest mean area under the precision-recall curve of 0.8240, whereas FedAvg produced the lowest mean Brier score of 0.1335. Denser gossip graphs improved discrimination but increased theoretical model payload, while ring gossip remained sensitive to learning rate and mixing strength. Overall, FedAvg provided the most consistently reliable server-based baseline, topology-aware gossip offered a viable decentralized alternative, and Hybrid Gossip-FedAvg provided a balanced compromise between peer-to-peer diffusion and periodic global coordination.
Abstract（参考訳）: 機関間の直接的なデータプールは、プライバシ、ガバナンス、通信の制約によって制限されることが多いため、乳房の病理組織学的分析は分散学習にますます依存している。本研究は, 浸潤性胆管癌 (IDC) の分類において, サーバベースFederated Averaging (FedAvg), 完全分散型ゴシップ学習, ハイブリッドゴシップFedAvgを比較した。実験では、277,524のカラーイメージパッチと、患者分離トレーニング、バリデーション、テストパーティション、ワークロードバランスの取れた6つのノード間のDirichlet誘導アロケーションを使用した。 Ring, random degrees-3, and full connected gossip topologies with sensitivity analysis for statistical heterogeneity, mix coefficient, learning rate, model drift, prediction disagreement, calibration, clinically-motivated operating point, communication payload, and patient-level IDC burden, with also with sensitivity analysis for statistical heterogeneity, mix coefficient, learning rate, model drift, prediction disagreement, calibration。主アルファ=0.3実験では、Hybrid Gossip-FedAvgは0.8811の受信機動作特性曲線(ROC-AUC)の下で試験領域を達成し、FedAvgは0.8801で、完全に接続されたゴシップは0.8751で追従した。 3つの独立した患者レベルの反復、FedAvgとHybrid Gossip-FedAvgはそれぞれ0.9082、標準偏差0.0037、標準偏差0.0043である。ハイブリッドは精度-リコール曲線0.8240で最高平均領域を達成し、FedAvgは平均ブライアスコア0.1335を達成した。デザーゴシップグラフは識別を改善したが, 理論モデルペイロードは増加し, リングゴシップは学習速度や混合強度に敏感であった。全体として、FedAvgは、最も一貫性のあるサーバベースのベースラインを提供し、トポロジを意識したゴシップは、分散化可能な代替手段を提供し、Hybrid Gossip-FedAvgは、ピアツーピア拡散と周期的グローバルコーディネーションのバランスのとれた妥協を提供した。

関連論文リスト

Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [66.44527094471619]
本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。 3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
論文参考訳（メタデータ） (2026-09-15T00:31:01Z)
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)
Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
テキスト検出器は、事前訓練された典型軸を増幅する。タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
論文参考訳（メタデータ） (2026-05-20T19:08:38Z)
Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。 LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
論文参考訳（メタデータ） (2026-04-30T14:59:50Z)
Quantum-Inspired Geometric Classification with Correlation Group Structures and VQC Decision Modeling [0.5039813366558307]
本稿では、相関群構造(CGR)、コンパクトなSWAPテストに基づく重複推定、選択的変分量子決定モデリングを統合した幾何駆動型量子インスピレーション型分類フレームワークを提案する。 CGRは特徴をアンカー中心の相関近傍に整理し、非線形で相関重み付き表現を生成する。 Credit Card Fraudデータセット(0.17%)では、Delta + VQCパイプラインが約0.85マイノリティリコールを約1.31%の警告レートで達成し、ROC-AUC 0.9249とPR-AUC 0.3251をフルデータセットで評価している。
論文参考訳（メタデータ） (2026-04-02T11:50:29Z)
Deep Learning-based Assessment of the Relation Between the Third Molar and Mandibular Canal on Panoramic Radiographs using Local, Centralized, and Federated Learning [0.3186329231961084]
下顎管近傍における下顎第三大臼歯の衝撃は、下歯槽神経損傷のリスクを増大させる。臼歯部オーバーラップの自動分類は臨床トリアージを補助し,不必要なCBCTレファラールを減少させる可能性がある。フェデレートラーニングは、患者データを共有せずにマルチセンターのコラボレーションを可能にする。
論文参考訳（メタデータ） (2026-03-12T12:17:17Z)
Beyond Anatomy: Explainable ASD Classification from rs-fMRI via Functional Parcellation and Graph Attention Networks [6.923757075165361]
解剖学的脳解析は rs-fMRI に基づく自閉症スペクトラム障害 (ASD) の分類を支配している。 ABIDE Iデータセット上の解剖学的(AAL)と機能的(MSDL)パーセレーション戦略を比較したグラフベースのディープラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2026-03-03T02:05:20Z)
From Black Box to Glass Box: Cross-Model ASR Disagreement to Prioto Review in Ambient AI Scribe Documentation [43.148402136307716]
異種ASRシステム間のクロスモデル不一致は、基準のない不確実性信号として機能する。商用APIとオープンソースエンジンにまたがる8つのASRシステムを備えた,50の公開医療用オーディオクリップを転写した。低アグリメント領域は内容の不一致に富み、高リスク質量のクインタイル全体では53.9%から73.9%に増加した。
論文参考訳（メタデータ） (2026-03-02T13:02:13Z)
CONFIDE: Hallucination Assessment for Reliable Biomolecular Structure Prediction and Design [46.12506067241116]
本稿では,位相的フラストレーションを定量化する自己評価尺度であるCODE(Chain of Diffusion Embeddings)を提案する。エネルギー的およびトポロジ的視点を組み合わせた統合評価フレームワークであるCONFIDEを提案する。データ駆動の埋め込みと理論的な洞察を組み合わせることで、CODEとConFIDEは、幅広い生体分子システムで既存の指標より優れています。
論文参考訳（メタデータ） (2025-11-20T03:38:46Z)
Colorectal Cancer Histopathological Grading using Multi-Scale Federated Learning [0.0]
本稿では,大腸癌診断のための拡張性,プライバシ保護型フェデレーション学習フレームワークを提案する。我々のフレームワークは全体の83.5%の精度を達成し、同等の集中型モデルよりも優れています。提案されたモジュールパイプラインは、デジタル病理のためのデプロイ可能でプライバシに配慮した臨床AIに向けた基礎的なステップを確立する。
論文参考訳（メタデータ） (2025-11-05T18:18:09Z)
Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文参考訳（メタデータ） (2023-02-16T17:06:23Z)

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。