論文の概要: Uncertainty-Aware Federated Learning for Infant Movement Analysis
- arxiv url: http://arxiv.org/abs/2609.31463v1
- Date: Fri, 25 Sep 2026 16:13:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 18:27:51.485388
- Title: Uncertainty-Aware Federated Learning for Infant Movement Analysis
- Title（参考訳）: 幼児運動分析のための不確実性を考慮したフェデレーション学習
- Abstract要約: 本稿では,乳児自動運動分析と一般運動評価のための第1回フェデレーション学習フレームワークを提案する。
臨床的に有意な症例として, フィジギー運動分類に基づくフレームワークの評価を行った。
本稿では,MC-Dropoutから派生した予測エントロピーをフェデレート集約プロセスに組み込む,不確実性を考慮したフェデレーション平均化(UA-FedAvg)戦略を提案する。
- 参考スコア（独自算出の注目度）: 4.998580638448234
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Infant movement analysis provides valuable biomarkers for the early identification of neurodevelopmental disorders. Recent advances in deep learning have enabled automated analysis of infant movements from video-derived skeletal representations, achieving performance comparable to expert assessment for tasks such as General Movement Assessment (GMA). However, most existing approaches rely on centralized training, requiring data from multiple institutions to be collected and stored at a single site. Such assumptions are often impractical in clinical settings due to privacy, governance, and data-sharing constraints. To address these challenges, we present, to the best of our knowledge, the first federated learning framework for automated infant movement analysis and General Movement Assessment using skeletal motion data. As a clinically relevant use case, the proposed framework is evaluated on fidgety movement classification. To quantify model confidence, Monte Carlo (MC) Dropout is employed to estimate predictive uncertainty during inference. Building upon this, we propose an Uncertainty-Aware Federated Averaging (UA-FedAvg) strategy that incorporates predictive entropy derived from MC-Dropout into the federated aggregation process, enabling client contributions to be adjusted according to their predictive uncertainty. Experiments were conducted using a cross-subject evaluation protocol under a three-client federated learning setting. Results demonstrate that federated learning substantially improves classification performance compared with independently trained local models while achieving performance approaching that of centralized training. Furthermore, UA-FedAvg and its variant incorporating validation loss generally outperform conventional FedAvg across the evaluated data-split configurations.
- Abstract（参考訳）: 幼児運動分析は神経発達障害の早期発見に有用なバイオマーカーを提供する。
近年の深層学習の進歩により、映像由来の骨格表現から幼児運動の自動解析が可能となり、一般運動評価(GMA)のようなタスクの専門的評価に匹敵するパフォーマンスを得ることができた。
しかし、既存のアプローチのほとんどは集中的なトレーニングに依存しており、複数の機関からのデータを単一のサイトで収集して保存する必要がある。
このような仮定は、プライバシ、ガバナンス、データ共有の制約による臨床環境では現実的ではないことが多い。
これらの課題に対処するため,我々は,乳児自動運動分析のための最初のフェデレーション学習フレームワークと骨格運動データを用いた一般運動評価について述べる。
臨床的に有意な症例として, フィジギー運動分類に基づくフレームワークの評価を行った。
モデル信頼度を定量化するために、モンテカルロ・ドロップアウト(MC)は推論中の予測の不確かさを推定するために用いられる。
そこで我々は,MC-Dropoutから派生した予測エントロピーをフェデレート集約プロセスに組み込んだ不確実性認識フェデレーション(UA-FedAvg)戦略を提案する。
3サイクルのフェデレート学習環境下でのクロスオブジェクト評価プロトコルを用いて実験を行った。
その結果,フェデレーテッド・ラーニングは,個別に訓練したローカル・モデルと比較して分類性能を著しく向上する一方で,集中型トレーニングに近づく性能を達成できることが示唆された。
さらに、UA-FedAvgとその変種による検証損失は、評価されたデータ分割構成全体で従来のFedAvgを上回っている。
関連論文リスト
- Federated Learning for Multi-Center Sepsis Early Prediction with Privacy-Preserving [9.744444068585983]
フェデレートラーニング(Federated Learning)により、複数の機関が、生データを直接共有したり、集中したりすることなく、予測モデルを共同で訓練することができる。
本研究は,多中心敗血症予測へのフェデレーション学習の適用を体系的に検討する。
論文 参考訳（メタデータ） (2026-06-03T01:35:17Z) - STAR : Bridging Statistical and Agentic Reasoning for Large Model Performance Prediction [78.0692157478247]
本稿では,知識駆動型エージェント推論を用いて,データ駆動型静的予測を橋渡しするフレームワークSTARを提案する。
STARはスコアベースとランクベースの両方の基準線を一貫して上回ることを示す。
論文 参考訳（メタデータ） (2026-02-12T16:30:07Z) - Reliable and Reproducible Demographic Inference for Fairness in Face Analysis [63.46525489354455]
本稿では、従来のエンドツーエンドトレーニングをモジュラートランスファー学習アプローチで置き換える、完全に再現可能なDAIパイプラインを提案する。
このパイプラインは、正確性、公正性、そしてアイデンティティ内整合性によって定義される、新たに導入された堅牢性の概念の3つの次元にわたって監査する。
以上の結果から,提案手法は特に民族性において,強い基準線を上回り,その特性はより困難であることが示唆された。
論文 参考訳（メタデータ） (2025-10-23T12:22:02Z) - Uncertainty Awareness on Unsupervised Domain Adaptation for Time Series Data [49.36938105983916]
教師なし領域適応法は、ラベルのないテストデータに効果的に一般化しようとする。
本稿では,ドメイン間の一般化とロバスト性を改善するために,マルチスケールの特徴抽出と不確実性推定を導入することを提案する。
論文 参考訳（メタデータ） (2025-08-26T03:13:08Z) - Conformal uncertainty quantification to evaluate predictive fairness of foundation AI model for skin lesion classes across patient demographics [8.692647930497936]
我々は、コンフォメーション解析を用いて、視覚変換器に基づく基礎モデルの予測不確かさを定量化する。
基礎モデルの特徴埋め込みの堅牢性を評価するために、公正度測定としてどのように使用できるかを示す。
論文 参考訳（メタデータ） (2025-03-31T08:06:00Z) - Evaluation of self-supervised pre-training for automatic infant movement
classification using wearable movement sensors [2.995873287514728]
乳幼児ウェアラブルMAIJUは、乳幼児の運動性能を病院外環境で自動的に評価する手段を提供する。
そこで本研究では,MAIJU録音の分析に用いる分類器の性能向上について検討した。
論文 参考訳（メタデータ） (2023-05-16T11:46:16Z) - TWINS: A Fine-Tuning Framework for Improved Transferability of
Adversarial Robustness and Generalization [89.54947228958494]
本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。
本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。
TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
論文 参考訳（メタデータ） (2023-03-20T14:12:55Z) - Stabilizing and Improving Federated Learning with Non-IID Data and
Client Dropout [15.569507252445144]
ラベル分布スキューによるデータヘテロジェニーティは、フェデレート学習におけるモデル性能を制限する重要な障害であることが示されている。
クロスエントロピー損失を計算するための事前校正ソフトマックス関数を導入することで、シンプルで効果的なフレームワークを提案する。
非IIDデータとクライアントドロップアウトの存在下で、既存のベースラインよりも優れたモデル性能を示す。
論文 参考訳（メタデータ） (2023-03-11T05:17:59Z) - Domain Adaptation with Adversarial Training on Penultimate Activations [82.9977759320565]
教師なし領域適応(Unsupervised Domain Adaptation, UDA)の重要な目的は、ラベルなし対象データに対するモデル予測の信頼性を高めることである。
我々は,この戦略が,入力画像や中間特徴に対する敵対的訓練よりも予測信頼性を高める目的と,より効率的で相関性が高いことを示す。
論文 参考訳（メタデータ） (2022-08-26T19:50:46Z) - Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。
具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。
大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
論文 参考訳（メタデータ） (2021-03-07T03:10:32Z)
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。