論文の概要: Making Cross-Continental Federated Learning Repeatable with FLIP: a Multi-Application Study

• arxiv url: http://arxiv.org/abs/2609.36001v1
• Date: Mon, 28 Sep 2026 18:00:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.916829
• Title: Making Cross-Continental Federated Learning Repeatable with FLIP: a Multi-Application Study
• Title（参考訳）: FLIPによる大陸横断フェデレーション学習の再現性 : マルチアプリケーション研究
• Abstract要約: 医療におけるフェデレーテッドラーニング(FL)は、すべてのコラボレーションにおいてガバナンスの保証を再構築するオーバーヘッドが、概念実証の段階でほとんどのプロジェクトを止めるため、依然として困難である。 本稿では,FLIP(Federated Learning Platform)について紹介する。
• 参考スコア（独自算出の注目度）: 26.09649716967669
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) in healthcare remains challenging, as the overhead of rebuilding governance guarantees for every collaboration stops most projects at the proof-of-concept stage. Here we present FLIP (Federated Learning Interoperability Platform), an open-source, multi-application platform that makes FL training and evaluation repeatable. FLIP implements common FL workflows as a set of composable services: cohort queries against per-site structured databases, on-demand DICOM retrieval from institutional PACS, per-site project approval, and reusable FL job types. To demonstrate FLIP, we ran two distinct use cases, federated fine-tuning and federated evaluation, on synthetic chest X-ray cohorts across two client nodes based in the United Kingdom (UK) and Thailand. In FLIP, each institution independently approves its participation in each project and operates its own node under local IT security processes. This study makes an operational rather than an algorithmic claim. It does not compare federated with centralised training; for that question, we refer the reader to existing systematic reviews and meta-analyses. The central result is evidence that such platforms enable international FL collaboration and improve repeatability, auditability, and site-specific governance. We also present a comprehensive comparison of existing platforms to help researchers and operators choose the right platform for their use case.
• 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、すべてのコラボレーションにおいてガバナンスの保証を再構築するオーバーヘッドが、概念実証の段階でほとんどのプロジェクトを止めるため、依然として困難である。 本稿では,FLIP(Federated Learning Interoperability Platform)について紹介する。 FLIPは、サイトごとの構造化データベースに対するコホートクエリ、施設ごとのPACSからのオンデマンドDICOM検索、サイトごとのプロジェクト承認、再利用可能なFLジョブタイプなど、一連の構成可能なサービスとして一般的なFLワークフローを実装している。 イギリスとタイの2つのクライアントノードにまたがる人工胸部X線コホートにおいて, FLIPを実証するために, ファインチューニングとフェデレーション評価の2つの異なるユースケースを施行した。 FLIPでは、各機関が独立して各プロジェクトへの参加を認め、ローカルITセキュリティプロセスの下で独自のノードを運用している。 この研究は、アルゴリズム的な主張ではなく、運用している。 フェデレーションと集中型トレーニングを比較するのではなく、既存の体系的なレビューやメタ分析を読者に参照する。 中心的な結果は、このようなプラットフォームが国際的なFLコラボレーションを可能にし、再現性、監査可能性、サイト固有のガバナンスを改善することの証拠である。 また、既存のプラットフォームを総合的に比較し、研究者やオペレーターがユースケースに適したプラットフォームを選択するのを助ける。

関連論文リスト

• De-VertiFL: A Solution for Decentralized Vertical Federated Learning [7.877130417748362]
  この研究は、分散VFL設定でモデルをトレーニングするための新しいソリューションであるDe-VertiFLを紹介している。 De-VertiFLは、新しいネットワークアーキテクチャディストリビューション、革新的な知識交換スキーム、分散フェデレーショントレーニングプロセスを導入することで貢献する。 その結果、De-VertiFLは一般的にF1スコアのパフォーマンスにおいて最先端のメソッドを上回り、分散化とプライバシ保護のフレームワークを維持していることがわかった。
  論文  参考訳（メタデータ） (2024-10-08T15:31:10Z)
• UniFed: All-In-One Federated Learning Platform to Unify Open-Source Frameworks [53.20176108643942]
  オープンソースフェデレートラーニング(FL)フレームワークを標準化する最初の統一プラットフォームであるUniFedを紹介します。 UniFedは、分散実験とデプロイメントのためのエンドツーエンドワークフローを合理化し、11の人気のあるオープンソースFLフレームワークを含んでいる。 機能、プライバシ保護、パフォーマンスの観点から、11の人気のあるFLフレームワークを評価し比較する。
  論文  参考訳（メタデータ） (2022-07-21T05:03:04Z)
• FederatedScope: A Comprehensive and Flexible Federated Learning Platform via Message Passing [63.87056362712879]
  我々は,メッセージ指向フレームワークを基盤とした,新しい総合的なフェデレート学習プラットフォームであるFederatedScopeを提案する。 手続き型フレームワークと比較して、提案されたメッセージ指向フレームワークは異種メッセージ交換を表現するのに柔軟である。 我々は、FederatedScopeの正確性と効率性を検証するために、提供された簡易かつ包括的なFLベンチマークについて一連の実験を行った。
  論文  参考訳（メタデータ） (2022-04-11T11:24:21Z)
• FedComm: Federated Learning as a Medium for Covert Communication [56.376997104843355]
  フェデレートラーニング(FL)は、ディープラーニングの採用に伴うプライバシーへの影響を軽減するためのソリューションである。 本稿では,FL方式の通信能力について詳しく検討する。 我々は,新しいマルチシステム被覆通信技術であるFedCommを紹介する。
  論文  参考訳（メタデータ） (2022-01-21T17:05:56Z)
• System Optimization in Synchronous Federated Training: A Survey [4.8345307057837354]
  プライバシー保護的な方法での協調機械学習は、フェデレートラーニング(FL)と呼ばれる新しい機械学習パラダイムを生み出します。 十分なレベルのプライバシー保証が与えられた場合、FLシステムの実用性は、トレーニングプロセス中の時間と精度のパフォーマンスに大きく依存する。 従来の分散トレーニングと多少似ているが、FLにはより短い時間から正確性への最適化を複雑にする4つの異なる課題がある。
  論文  参考訳（メタデータ） (2021-09-09T02:31:29Z)
• FedNLP: A Research Platform for Federated Learning in Natural Language Processing [55.01246123092445]
  NLPのフェデレーションラーニングのための研究プラットフォームであるFedNLPを紹介します。 FedNLPは、テキスト分類、シーケンスタグ付け、質問応答、Seq2seq生成、言語モデリングなど、NLPで一般的なタスクの定式化をサポートしている。 FedNLPによる予備実験では、分散型データセットと集中型データセットの学習には大きなパフォーマンスギャップが存在することが明らかになった。
  論文  参考訳（メタデータ） (2021-04-18T11:04:49Z)

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。