論文の概要: FIDAL: Diversity-Aware Federated Active Learning Under Real-World Distribution Shifts
- arxiv url: http://arxiv.org/abs/2609.31637v1
- Date: Thu, 10 Sep 2026 22:35:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 14:32:04.282639
- Title: FIDAL: Diversity-Aware Federated Active Learning Under Real-World Distribution Shifts
- Title（参考訳）: FIDAL: 実世界分布シフト下での多様性を意識したフェデレーション型アクティブラーニング
- Abstract要約: フェデレートラーニングは、データを集中化せずに機関間で協調的なモデルトレーニングを可能にする。
既存のアクティブラーニング手法は、ID(In-distriion)データ内の不確実性や多様性を目標としている。
FIDALは,グローバルな局地的明らかな不確実性,サポートセットの多様性の重み付け,適応型OOD拒絶を組み合わせた,オープンセットのアクティブラーニングフレームワークである。
- 参考スコア（独自算出の注目度）: 3.1964062750771096
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated learning enables collaborative model training across institutions without centralizing data, yet high annotation costs, domain shifts, and class imbalance remain major obstacles, especially when irrelevant out-of-distribution (OOD) samples dilute the labeled data. Existing active learning methods target uncertainty or diversity within in-distribution (ID) data and overlook unknown samples in federated clinical settings. We propose FIDAL, an open-set federated active learning framework that combines calibrated global-local evidential uncertainty, support-set diversity weighting, and adaptive OOD rejection. The rejection gate thresholds a foundation-model Gaussian-coverage signal per client and per round with Otsu's criterion, so that highly informative ID samples are queried while irrelevant outliers are excluded without any hand-tuned threshold. Evaluated on three multi-center medical imaging benchmarks (dermatology, histopathology, and mammography with organically occurring artifacts) in realistic open-set scenarios, FIDAL outperforms detector-based open-set methods by up to about 12 percentage points of balanced accuracy and is the only method on the accuracy-ID purity Pareto front of all three benchmarks. At an equal query budget it spends at least 1.3 times fewer annotations on OOD samples than every accuracy-matched baseline, saving an estimated 7-29 hours of expert reading on the mammography benchmark. By labeling only a fraction of the data pool, it matches or exceeds fully supervised performance across modalities. These results highlight the value of integrating uncertainty, diversity, and OOD rejection in open-set federated active learning for medicine.
- Abstract（参考訳）: フェデレートラーニング(Federated Learning)は、データを集中化せずに機関間で協調的なモデルトレーニングを可能にするが、高いアノテーションコスト、ドメインシフト、クラス不均衡は大きな障害であり、特に無関係なアウト・オブ・ディストリビューション(OOD)サンプルがラベル付きデータを薄める場合である。
既存のアクティブラーニング手法は,IDデータ内の不確実性や多様性を目標とし,フェデレートされた臨床環境における未知のサンプルを見落としている。
FIDALは,グローバルな局所的な明らかな不確実性,サポートセットの多様性の重み付け,OODの適応的拒絶を校正するオープンセットなフェデレーション型アクティブラーニングフレームワークである。
拒否ゲートは、クライアントごとに基本モデルガウス被覆信号と大津の基準付きラウンド毎に閾値を定め、高度に情報性の高いIDサンプルを精査し、無関係な外れ値は手動しきい値なしで除外する。
リアルなオープンセットシナリオにおける3つのマルチセンター医療画像ベンチマーク(皮膚学、病理組織学、マンモグラフィー)で評価され、FIDALは検出器ベースのオープンセット法を最大12%の精度で上回り、3つのベンチマークのすべてにおいて精度-ID純度Paretoの唯一の方法である。
同等のクエリ予算で、OODサンプルに対するアノテーションは、精度にマッチしたすべてのベースラインよりも少なくとも1.3倍少ないので、マンモグラフィーベンチマークで推定7-29時間の専門家読書を節約できる。
データプールのごく一部にラベルを付けることで、モダリティ全体にわたって完全に監督されたパフォーマンスにマッチまたは超える。
これらの結果は,医療のためのオープン・セット・フェデレーション・アクティブ・ラーニングにおける不確実性,多様性,およびOOD拒絶の統合の価値を強調した。
関連論文リスト
- Fed-ReMasker: Federated Tabular Imputation under Feature-Level Missingness [0.0]
本研究では,ReMaskerのマスク付きオートエンコーダをフェデレート学習(Fed-ReMasker)に適用し,局所的に観測されていない特徴を示唆する。
Fed-ReMasker は 93.2% の価値レベルと96.7% の機能レベルのシナリオで最低の計算誤差を達成している。
論文 参考訳（メタデータ） (2026-09-23T13:37:34Z) - 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) - MARVEL: Margin-Aware Robust von Mises-Fischer Expert Learning for Long-Tailed Out-of-Distribution Detection [0.8886706641070187]
ディープモデルは、通常、アウト・オブ・ディストリビューション(OOD)の入力を高い信頼性で誤分類する。
既存の文献のほとんどは、バランスの取れたデータセットを前提としている。
多様な不均衡な医療データセットを訓練する新しい手法を提案する。
論文 参考訳（メタデータ） (2026-07-02T17:06:31Z) - A Contrastive Learning-Guided Confident Meta-learning for Zero Shot Anomaly Detection [17.73056562717683]
CoZADは、新しいゼロショット異常検出フレームワークである。
ソフト・インテリジェンス・ラーニングとメタラーニングとコントラスト的特徴表現を統合している。
7つの産業ベンチマークのうち6つで既存の手法を上回ります。
論文 参考訳（メタデータ） (2025-08-25T09:27:31Z) - Margin-bounded Confidence Scores for Out-of-Distribution Detection [2.373572816573706]
本稿では,非自明なOOD検出問題に対処するため,Margin bounded Confidence Scores (MaCS) と呼ばれる新しい手法を提案する。
MaCS は ID と OOD のスコアの差を拡大し、決定境界をよりコンパクトにする。
画像分類タスクのための様々なベンチマークデータセットの実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2024-09-22T05:40:25Z) - Unsupervised Domain Adaptation for Brain Vessel Segmentation through
Transwarp Contrastive Learning [46.248404274124546]
教師なし領域適応(Unsupervised domain adapt, UDA)は、ラベル付きソース分布とラベル付きターゲット分布との整合を目的とし、ドメイン不変な予測モデルを得る。
本稿では,ラベル付きソースと非ラベル付きターゲット分布の領域間ギャップを狭めるための,UDAのための簡易かつ強力なコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-02-23T10:01:22Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。
本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-08T07:05:36Z) - Hierarchical Semi-Supervised Contrastive Learning for
Contamination-Resistant Anomaly Detection [81.07346419422605]
異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。
コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。
汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-24T18:49:26Z) - 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) - Incorporating Semi-Supervised and Positive-Unlabeled Learning for
Boosting Full Reference Image Quality Assessment [73.61888777504377]
フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。
ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。
本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
論文 参考訳（メタデータ） (2022-04-19T09:10:06Z)
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。