論文の概要: Federated Transfer Learning for Medical Image Classification under Mixed Skew

• arxiv url: http://arxiv.org/abs/2611.05035v1
• Date: Tue, 03 Nov 2026 15:08:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 14:56:45.836924
• Title: Federated Transfer Learning for Medical Image Classification under Mixed Skew
• Title（参考訳）: 混合スキューによる医用画像分類のためのフェデレーショントランスファー学習
• Abstract要約: 医療画像の深層学習は、データの不足と、医療機関間の患者データの集中化を非現実的にするプライバシー規制によって制限されている。 本稿では,Personalized Aligner Federated Pretrained (PAFP) フレームワークを提案する。 FedISICベンチマークでは、PAFPは最強のベースラインに対して、クライアント間性能のばらつきを約6倍に抑えながら、最も高い非重み付きバランスの精度を達成する。
• 参考スコア（独自算出の注目度）: 39.91229819727061
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning in medical imaging is constrained by data scarcity and by privacy regulations that make centralizing patient data across institutions impractical. Federated Learning (FL) addresses these constraints by keeping data local, but its distributed nature exposes training to strong statistical heterogeneity. Multicentric medical data is particularly affected, exhibiting a mixed skew that combines feature, label, concept, and quantity shifts across centers. Personalized FL mitigates heterogeneity by tailoring a model to each client, yet most methods assume training from scratch, which is unrealistic given the high dimensionality of medical features relative to the limited data available. We propose the Personalized Aligner Federated Pretrained (PAFP) framework, a personalized FL approach built on a pre-trained backbone. PAFP inserts client-specific Feature Alignment modules before the fine-tuned blocks to realign hidden feature distributions toward a server-aggregated target. On the FedISIC benchmark, PAFP attains the highest unweighted balanced accuracy while reducing inter-client performance variance roughly six-fold relative to the strongest baseline, yielding accuracy and cross-client equity jointly. Our code is publicly available at https://github.com/Alexandre-Leclercq/PAFP.
• Abstract（参考訳）: 医療画像の深層学習は、データの不足と、医療機関間の患者データの集中化を非現実的にするプライバシー規制によって制限されている。 フェデレートラーニング(FL)は、データを局所的に保持することでこれらの制約に対処するが、その分散特性は、強い統計的不均一性にトレーニングを公開する。 マルチセンターの医療データは特に影響を受けており、特徴、ラベル、概念、およびセンター間の量シフトを組み合わせた混合スキューが示される。 パーソナライズされたFLは、モデルを各クライアントに調整することで不均一性を緩和するが、ほとんどのメソッドは、利用可能な限られたデータと比較して、医療的特徴の高次元性を考えると、スクラッチからのトレーニングを前提としている。 本稿では,Personalized Aligner Federated Pretrained (PAFP) フレームワークを提案する。 PAFPは、細調整されたブロックの前にクライアント固有の特徴アライメントモジュールを挿入し、サーバ集約ターゲットに向けて隠れた特徴分布を認識させる。 FedISICベンチマークでは、PAFPは最強のベースラインに対して、クライアント間性能のばらつきを約6倍に減らし、高い非重み付きバランスの精度を達成し、精度とクロスクライアント・エクイティを共同で獲得する。 私たちのコードはhttps://github.com/Alexandre-Leclercq/PAFP.comで公開されています。

関連論文リスト

• RIPPLE in Still Water: Zero-Shot Clustering in Federated Learning with Wavelet Scattering Transform [51.56484100374058]
  クラスタ化されたフェデレートラーニング(FL)は、クライアントを同じローカル分布のグループに分割し、クラスタ毎に1つの特別なモデルを訓練する。 本稿では、各クライアントのローカルデータのスペクトル特性からクラスタ割り当てを完全にオフラインで計算するクラスタリングFLフレームワークであるRIPPLEを提案する。
  論文  参考訳（メタデータ） (2026-10-02T09:35:39Z)
• Federated Learning Meets LLMs: Feature Extraction From Heterogeneous Clients [0.0]
  フェデレートラーニング(FL)は、生データを共有せずに協調的なモデルトレーニングを可能にする。 我々は,事前学習された大規模言語モデル(LLM)を普遍的特徴抽出器として利用するフレームワークであるFedLLM-Alignを提案する。 冠動脈疾患予測におけるFedLLM-Alignの評価は,シミュレートされたスキーマ分岐を用いた分割データセットを用いて行われる。
  論文  参考訳（メタデータ） (2025-09-29T14:06:52Z)
• SPIRE: Conditional Personalization for Federated Diffusion Generative Models [7.8583640700306585]
  Shared Backbone Personal Identity Representation Embeddings (SPIRE)は、FLで条件付き生成としてクライアント拡散ベースの生成をキャストするフレームワークである。 SPIREは、ネットワークを(i)人口レベルのスコア関数を学習する高容量なグローバルバックボーンと、(ii)ローカルデータ統計を符号化する軽量で学習可能なクライアント埋め込みに分解する。 我々の分析は、クライアントの埋め込みが共有スコアネットワークをパーソナライズするバイアスとしてどのように振舞うかを示唆している。
  論文  参考訳（メタデータ） (2025-06-14T01:40:31Z)
• Federated Client-tailored Adapter for Medical Image Segmentation [21.964553228831427]
  医用画像セグメンテーションのための新しいFCAフレームワークを提案する。 FCAは、機密なローカルデータを共有せずに、安定かつクライアントに適したセグメンテーションを実現する。 我々は、アダプタを共通コンポーネントと個別コンポーネントに適応的に分解する2つのクライアント調整されたフェデレーション更新戦略を開発する。
  論文  参考訳（メタデータ） (2025-04-25T02:20:25Z)
• FedMetaMed: Federated Meta-Learning for Personalized Medication in Distributed Healthcare Systems [7.32609591220333]
  パーソナライズドメディケーションのためのフェデレーションメタラーニング(FedMetaMed)について紹介する。 FedMetaMedは、フェデレーションラーニングとメタラーニングを組み合わせて、医療システム全体にわたる多様な患者データに適応するモデルを作成する。 我々は、FedMetaMedが最先端のFL法より優れ、最先端のコホートでも優れた一般化を示すことを示す。
  論文  参考訳（メタデータ） (2024-12-05T03:36:55Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• Federated Learning with Adaptive Batchnorm for Personalized Healthcare [47.52430258876696]
  ドメインシフトに対処し、ローカルクライアント向けにパーソナライズされたモデルを得るためにAdaFedを提案する。 AdaFedはバッチ正規化レイヤの統計を通じて、クライアント間の類似性を学ぶ。 5つの医療ベンチマークの実験では、AdaFedは最先端の方法よりも精度が高いことが示されている。
  論文  参考訳（メタデータ） (2021-12-01T11:36:56Z)
• Federated Semi-supervised Medical Image Classification via Inter-client Relation Matching [58.26619456972598]
  フェデレートラーニング(FL)は、ディープ・ネットワークのトレーニングのために、分散医療機関とのコラボレーションで人気が高まっている。 本報告では,実践的かつ困難なFL問題であるtextitFederated Semi-supervised Learning (FSSL)について検討する。 本稿では, 従来の整合性正規化機構を改良し, クライアント間関係マッチング方式を提案する。
  論文  参考訳（メタデータ） (2021-06-16T07:58:00Z)
• Inverse Distance Aggregation for Federated Learning with Non-IID Data [48.48922416867067]
  近年,フェデレートラーニング(FL)は医用画像の分野で有望なアプローチである。 FLにおける重要な問題は、特に医療シナリオにおいて、ノイズの多い分散クライアントやアウトオブディストリビューションクライアントに対して堅牢な、より正確な共有モデルを持つことである。 非平衡データと非IDデータを扱うメタ情報に基づく新しい適応重み付け手法であるIDAを提案する。
  論文  参考訳（メタデータ） (2020-08-17T23:20:01Z)

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。